2433 Arbeiten
Diese Arbeit zeigt, dass klassische Methoden der Community-Detektion auf bipartiten Netzwerken unter Verwendung ausschließlich der Topologie konsistent moderne Graph Neural Networks erreichen oder übertreffen, basierend auf einer umfassenden Evaluierung von vierzehn Methoden über acht reale und fünf synthetische Datensätze hinweg.
Dieses Paper beschreibt und evaluiert formativ einen gesteuerten, durch ein Large Language Model unterstützten Workflow, der bei einem kolumbianischen Health-AI-Unternehmen implementiert wurde, um den Durchsatz und die Rückverfolgbarkeit der Förderstellenrecherche und der Projektantragstellung systematisch zu verbessern und gleichzeitig die Aufsicht durch die Forscher aufrechtzuerhalten. In Phase 1 („The Treasure Hunt“) wird die Abbildung „83“ korrigiert: Der Text impliziert derzeit, diese Kandidaten seien unqualifiziert/abgelehnt, doch sie sind tatsächlich die nach dem Filtern verbliebenen Kandidaten, die den Filter bestanden und als gut eingestuft wurden. Der Satz wird umformuliert, um widerzuspiegeln, dass diese 83 Kandidaten den Filter bestanden haben, anstatt abgelehnt worden zu sein.
Dieses Paper schlägt ein iteratives Feedback-Verfeinerungs-Framework vor, das Large Language Models nutzt, um dynamisch adaptive Schemata für die Umwandlung unstrukturierter klinischer Notizen in treue, strukturierte Repräsentationen zu induzieren, welches bestehende Baselines übertrifft, indem es Auslassungen und Halluzinationen signifikant reduziert, ohne dass gelabelte Daten oder Fine-Tuning erforderlich sind.
Diese Studie zeigt auf, dass Einzelmetrik-Evaluierungen den universellen Zusammenbruch chirurgischer KI-Modelle über verschiedene Standorte hinweg maskieren können, indem sie eine scheinbare Robustheit in spezifischen Klassen hervorheben, während Dualmetrik-Audits weit verbreitetes Versagen und die Tatsache offenlegen, dass der Austausch des Backbones in den getesteten Konfigurationen die Lücke nicht schließen konnte, sowohl bei maßgeschneiderten Detektoren als auch bei vortrainierten Foundation-Modellen.
Diese Studie vergleicht Bidirektionale Long Short-Term Memory-Netzwerke mit Attention-Mechanismus mit Residual Convolutional Neural Networks zur automatisierten EKG-Arrhythmie-Erkennung und stellt fest, dass die ResNet-Architektur eine überlegene Leistung (98,0 % Genauigkeit) erzielt, indem sie komplexe morphologische Merkmale aus einem Datensatz von über 109.000 Herzschlägen besser extrahiert.
Dieses Paper stellt guardrail-rs vor, einen quelloffenen, auf Rust basierenden Reverse Proxy, der darauf ausgelegt ist, LLM-Anwendungen durch die komponierbare Erkennung von Prompt-Injektionen und die Redaktion von PII mit einer Fail-Open-Architektur zu schützen, während er gleichzeitig seine Leistungsmerkmale und realen technischen Herausforderungen transparent berichtet.
Dieses Paper präsentiert eine deterministische Pipeline zur Konvertierung endlicher, verrauschter Sporttrajektorien-Stichproben in auditierbare symbolische Artefakte, indem es Koordinaten-, Schwellenwert- und Toleranzannahmen explizit erzwingt, während es seinen Umfang strikt auf Repräsentation und Rückverfolgbarkeit beschränkt, statt auf physikalische Rekonstruktion oder semantische Inferenz.
Diese Rezension synthetisiert Belege, die zeigen, dass KI-Werkzeuge zwar die Effizienz und Klarheit bei der Literaturrecherche und beim wissenschaftlichen Schreiben erheblich verbessern, ihre verantwortungsvolle Einführung jedoch hybride Mensch-KI-Ansätze erfordert, um anhaltende Einschränkungen in Bezug auf Zuverlässigkeit, Bias und akademische Integrität zu adressieren.
Diese Studie präsentiert eine umfassende Evaluierung von ResNet50 und Vision Transformer (ViT-B16) zur Erkennung von Pneumonie in Thorax-Röntgenaufnahmen, wobei sich zeigt, dass ResNet50 zwar eine überlegene Genauigkeit, Kalibrierung und Effizienz bietet, ViT-B16 jedoch eine größere Robustheit gegenüber Bilddegradationen aufweist, wodurch die Notwendigkeit einer multidimensionalen Bewertung für vertrauenswürdige Diagnosesysteme hervorgehoben wird.
Diese Studie nutzt ein Stacking-Ensemble aus LightGBM- und XGBoost-Modellen mit einem ExtraTrees-Meta-Learner auf dem 2025 Global Findex-Datensatz, um die Einführung digitaler Zahlungen mit einer Genauigkeit von 93,04 % vorherzusagen, wobei sich zeigt, dass Bildung, Internetzugang und Einkommen die kritischsten Treiber für finanzielle Inklusion sind.