2421 Arbeiten
Dieses Paper schlägt ein datenschutzwahrendes, verteiltes CatBoost-Framework mit gewichteter Aggregation vor, das eine hohe Genauigkeit bei der Vorhersage von STI- und HIV-Risiken in acht Ländern erreicht, ohne dass zentralisierte Daten erforderlich sind, und bietet damit eine robuste Alternative zu herkömmlichen zentralisierten Modellen des maschinellen Lernens.
NAE-VC ist ein modulares, gelerntes Entropiekodierungs-Framework, das die Standard-CABAC-Engine in H.264-, H.265- und H.266-Codecs durch eine neuronale Architektur ersetzt, welche Kontextaggregation, Gaußsche Mischmodellierung und Hyperpriors kombiniert, um signifikante Bitratenersparnisse bei gleichzeitiger voller Kompatibilität mit bestehenden Videocoding-Standards zu erzielen.
Dieses Paper stellt MUNNA vor, ein neuartiges dreistufiges Hybrid-Framework, das eine GWO-SA-Metaheuristik zur Merkmalsauswahl, ein unsicherheitsgewichtetes Stacking-Ensemble und einen geschlossenen SHAP-Feedback-Mechanismus integriert, um eine erstklassige Leistung bei der Diagnose von Brustkrebs auf dem Breast Cancer Wisconsin Datensatz zu erzielen und gleichzeitig Einschränkungen bei der Stagnation in lokalen Optima sowie der statischen Ensemble-Gewichtung zu adressieren.
Das Papier präsentiert DAÏO, ein neuartiges, edge-fähiges visionsbasiertes Sturzerkennungssystem, das einen leichtgewichtigen Pose-Estimator, einen adaptiven erweiterten Kalman-Filter und eine Triple-Check-Logik-Engine kombiniert, um eine hohe Spezifität (96,4 %) zu erreichen und Fehlalarme durch alltägliche Aktivitäten sowie religiöse Prostrationen signifikant zu reduzieren, während die Echtzeitleistung auf Consumer-Hardware beibehalten wird.
STAC-MV ist das erste auf Transformern basierende neuronale Multiview-Videokompressions-Framework, das eine geometrie-bewusste adaptive Kontextselektion und Cross-View-Attention nutzt, um signifikante BD-Rate-Verbesserungen gegenüber konventionellen Standards über verschiedene Kamera-Konfigurationen hinweg zu erzielen und gleichzeitig die Kodierzeit erheblich zu reduzieren.
Dieses Paper schlägt eine mehrstufige Alignment-Pipeline vor, die Präferenzextraktion, Supervised Fine-Tuning und Direct Preference Optimization kombiniert, um Popularitätsbias in LLM-basierten Filmempfehlern effektiv zu mildern und dabei eine verbesserte Neuheit sowie Katalogabdeckung bei gleichzeitiger Beibehaltung einer wettbewerbsfähigen Genauigkeit zu erreichen.
Um die Generalisierungslücke bei der Erkennung von Gesichtsfälschungen zu adressen, die durch den Konflikt zwischen übertragbaren hochgradigen Semantiken und spärlichen lokalen Artefakten verursacht wird, schlägt diese Arbeit SemFusion vor, ein Framework, das semantische Konsistenzregularisierung zur Bewahrung der übertragbaren Struktur von CLIP mit mehrstufigem Patch-Evidenzlernen kombiniert, um lokalisierte Fälschungsmerkmale effektiv zu erfassen und zu fusionieren.
Diese Studie zeigt, dass eine klinisch fundierte Konzeptkonstruktion Concept-Bottleneck-Modelle für die Klassifizierung von Thoraxröntgenaufnahmen verbessert, wobei supervidierte Ansätze eine starke Leistung erzielen, die mit Nicht-Bottleneck-Baselines vergleichbar ist, während labelfreie Modelle eine vielversprechende Alternative darstellen, wenn Konzeptannotationen nicht verfügbar sind.
Dieses Paper stellt BioGraph-SentiCOVID vor, ein kalibriertes, adaptives Kontext-Graph-Neural-Framework, das die Auswahl des konversationellen Kontextes sowie die Hyperparameter mittels eines genetischen Algorithmus optimiert, um eine State-of-the-Art-Sentiment-Klassifizierung von verrauschten COVID-19-Tweets auf Twitter zu erreichen.
Diese Arbeit präsentiert eine vergleichende Studie über klassische, neuronale und Transformer-Modelle zur Erkennung politischer Positionen auf X während der US-Wahl 2024 und zeigt auf, dass, während ein feinabgestimmtes BERTweet die höchste Genauigkeit erreicht, sorgfältig entwickelte klassische Modelle wie lineare SVMs eine hochgradig wettbewerbsfähige, effizientere und interpretierbare Alternative für den skalierbaren Einsatz bieten.