2403 Arbeiten
Diese Arbeit bietet eine umfassende Übersicht und eine vergleichende Leistungsanalyse klassischer und Quantenalgorithmen für die Faktorisierung und Primzahltests und kommt zu dem Schluss, dass Quantenmethoden wie der Shor-Algorithmus zwar erhebliche Vorteile für die Faktorisierung bieten, jedoch keine vergleichbaren Vorteile für die Primzahlprüfung liefern.
Diese Arbeit evaluiert empirisch verschiedene Clustering-Methoden auf hyperspektralen Fernerkundungsdaten und stellt fest, dass recheneffiziente, zentroidbasierte Algorithmen wie K-Means in Kombination mit effektiver Dimensionalitätsreduktion konsistent die beste Balance aus Qualität, Robustheit und Geschwindigkeit im Vergleich zu komplexeren Alternativen bieten.
Dieses Paper führt das „Scaffold Jump“-Designmuster ein, ein operatives Framework, das es Organisationen ermöglicht, KI-Systeme systematisch und sicher von voller menschlicher Aufsicht zu Autonomie zu überführen, indem es vier distinkte Phasen definiert, die durch evidenzbasierte Übergänge miteinander verknüpft sind, welche sicherstellen, dass Leistungsschwellenwerte erreicht werden, während gleichzeitig Rechenschaftspflicht und ethische Beschränkungen gewahrt bleiben.
Dieses Papier schlägt ein adaptives Fuzzy-GAN-System vor, das Generative Adversarial Networks und Fuzzy-Logik nutzt, um Gesichtsorientierungen in niedrige, mittlere und hohe Winkel (einschließlich Variationen im Uhrzeigersinn und gegen den Uhrzeigersinn) zu klassifizieren, um die pose-invariante Gesichtserkennung für Anwendungen in der Strafverfolgung zu verbessern.
Diese Arbeit evaluiert die Machbarkeit von NVIDIAs RTX Neural Shaders für das Echtzeit-Fluid-Rendering und zeigt auf, dass neuronale Netze zwar erfolgreich pixelbasierte BSDFs bei hohen Bildraten approximieren, signifikante Framework-Einschränkungen deren effektiven Einsatz für Vertex-Displacement-Aufgaben derzeit jedoch verhindern.
Diese Studie schlägt eine Formulierung vor und validiert eine teilkorrektheits- und fortschrittsbewusste Modellierung zur frühen Erfolgsprognose in der Programmierpraxis und zeigt auf, dass diese herkömmliche binäre und ordinale Ansätze durch eine effektivere Erfassung des Lernfortschritts sowie die Ermöglichung gezielter instruktionaler Unterstützung signifikant übertrifft.
Diese systematische Übersicht über 122 Studien (2015–2025) zeigt, dass Modelle des maschinellen Lernens, insbesondere Ensemble- und Hybridansätze in Verbindung mit zerstörungsfreien Sensortechnologien, das Nachernte-Management von leicht verderblichen Früchten durch die Verbesserung der Qualitätsbewertung und der Reduzierung von Verlusten über die gesamte Lieferkette hinweg signifikant verbessern, während gleichzeitig die Notwendigkeit standardisierter Datensätze und einer Validierung unter Realbedingungen hervorgehoben wird, um die aktuellen Herausforderungen bei der Implementierung zu bewältigen.
Dieses Paper führt die Validation-Aligned Coreset Selection (VACS) ein, eine Methode, die den optimalen klassengestuften Teilmengen-Selektor auswählt, indem sie ein Portfolio auf internen Validierungs-Splits evaluiert, was zeigt, dass wiederholte Validierung die Genauigkeit der Few-Shot-Klassifizierung unter extremen Budgetbeschränkungen signifikant verbessern kann, obwohl sie nicht universell die besten statischen Selektionsregeln übertrifft.
Dieses Paper schlägt ein leichtgewichtiges zweistufiges Framework vor, das YOLO11s-seg für die Generierung von Kandidaten auf Instanzebene und YOLOv8n-cls für die Klassifizierung von Hard-Negativen und Okklusionsbewusstsein nutzt, wodurch eine hohe Genauigkeit bei der Ernteentscheidung und eine Null-Fehlernte bei der Ernte in komplexen Ölpalmplantagenumgebungen erreicht wird.
Dieses Paper schlägt ein neuro-symbolisches fuzzy-regelbasiertes Framework vor, das die auf Deep Learning basierende Schätzung dermoskopischer Attribute mit automatisch extrahierten klinischen Regeln integriert, um die Genauigkeit und Interpretierbarkeit der Melanomklassifizierung im Vergleich zu rein bildbasierten Deep-Learning-Ansätzen zu verbessern.