2456 Arbeiten
Das Paper stellt R-Super vor, ein neuartiges Framework, das über 100.000 Radiologieberichte nutzt, um Tumorsegmentierungsmodelle zu trainieren, ohne auf knappe manuelle Masken angewiesen zu sein, wodurch eine groß angelegte Multi-Krebs-Detektion ermöglicht wird, die sowohl bestehende KI-Modelle als auch Radiologen signifikant übertrifft.
Dieses Paper stellt SonicPlay vor, ein auf der Unreal Engine basierendes Framework, das Prinzipien der audiobasierten Barrierefreiheit in wiederverwendbare Werkzeuge operationalisiert und durch Doppelstudien mit blinden Spielern sowie professionellen Entwicklern demonstriert, dass es eine unabhängige räumliche Navigation effektiv ermöglicht und sich gleichzeitig nahtlos in standardmäßige Spieleentwicklungs-Workflows integriert.
Diese empirische Studie analysiert Daten von 145 UCI-Studierenden unter Verwendung von 18 Algorithmen des maschinellen Lernens, um zu identifizieren, dass das LightGBM-Modell die akademische Leistung am genauesten vorhersagt, wobei sie aufzeigt, dass persönliche und schulische Bildungsfaktoren (wie Geschlecht, Alter, Teilzeitarbeit und Unterrichtsteilnahme) die primären Treiber des Erfolgs sind, während familiäre Faktoren einen schwächeren Einfluss haben, wodurch die Entwicklung einer interpretierbaren Shiny-Applikation für personalisierte akademische Interventionen ermöglicht wird.
Dieses Paper stellt das Collective Adaptation Testbed (CAT) vor, eine Multi-Agenten-Softwarearchitektur, die auf der Dual-Inheritance-Theorie basiert und das Governance-Paradoxon quantitativer Metriken löst, indem sie Teamentscheidungen abfängt, um zwischen blindem Konformismus und fachlich begründeter Dissens zu unterscheiden, wodurch das System in der Lage ist, seine eigenen Regeln basierend auf retrospektiven Ergebnisdaten autonom zu revidieren.
Dieses Paper schlägt ein artefaktbewusstes, leichtgewichtiges U-Shape-Segmentierungsframework und einen reproduzierbaren Korruptions-Benchmark vor, um die Robustheit und Genauigkeit der dermoskopischen Läsionssegmentierung in Gegenwart von Akquisitionsartefakten wie Haaren und Glanzlichtern zu verbessern.
Dieses Paper schlägt ein Framework zur datenschutzfreundlichen Deepfake-Erkennung vor, das Federated Learning mit ResNet-18 und dem FedProx-Algorithmus integriert, um eine hohe Genauigkeit (97,20 %) auf dem FaceForensics++ Datensatz zu erreichen und gleichzeitig Datensicherheit sowie Modellinterpretierbarkeit zu gewährleisten, ohne dass rohe Bilder übertragen werden müssen.
Dieses Paper präsentiert ein end-to-end, echtzeitfähiges Smart-Home-Steuerungssystem für Menschen mit Sprachbehinderungen, das ein auf einem CNN basierendes Handgestenerkennungsmodell mit einer OpenCV-Inferenz-Pipeline und einer modularen Aktionsschicht integriert, um Live-Kameraeingaben in ausführbare Gerätebefehle zu übersetzen.
Diese Studie führt ein auf der Theorie der Expertonen basierendes, unsicherheitbewusstes Evaluierungsframework ein, um Themenmodelle in spezialisierten Tourismus-Korpora zu bewerten, wobei sie zeigt, dass das durch LLMs verbesserte BERTopic traditionellen sowie neuronalen Ansätzen übertrifft und gleichzeitig aufzeigt, dass die Decoding-Temperatur die Interpretierbarkeit signifikant beeinflusst.
Dieses Paper schlägt eine allgemeine, kostengünstige Post-Optimierungs-Metaheuristik vor, die Multi-Start-Algorithmen dadurch verbessert, dass sie iterativ Nachkommen aus einem Elite-Set von Lösungen generiert und verbessert, wobei es erfolgreich die bisher besten Ergebnisse für alle 48 getesteten planaren p-Median-Instanzen innerhalb vergleichbarer Laufzeiten verbessert.
Dieses Paper schlägt ein robustes, score-basiertes generatives Modellierungsframework unter Verwendung von Tsallis–Gaussian-Perturbationen und einer Dual-Head-Neural-Architektur vor, um die Auswirkungen von Heavy-Tailed-Daten und Kontaminationen effektiv zu mildern und gleichzeitig eine wettbewerbsfähige generative Performance aufrechtzuerhalten.