3899 Arbeiten
Diese Arbeit präsentiert eine umfassende Benchmarking-Studie zum NIH ChestX-Ray14-Datensatz, die zeigt, dass ein durch spezifische Strategien für Klassenungleichgewicht und Schwellenwertoptimierung verbessertes Swin Transformer V2-B-Framework bestehende State-of-the-Art-Modelle des Deep Learning bei der Multi-Label-Klassifizierung von Brustkrankheiten übertrifft.
Diese Arbeit vergleicht vier Architekturen des Multi-Agenten-Reinforcement-Learnings mit traditionellen Dispatching-Regeln in einer stochastischen OSAT-Umgebung und zeigt auf, dass die gelernten Policies zwar den Durchsatz, die Durchlaufzeit, die Energieeffizienz und die OEE im Vergleich zu FIFO signifikant verbessern, jedoch nicht einheitlich die SPT-Regel übertreffen, wodurch ein reproduzierbarer Rahmen für die Bewertung der Dispatching-Leistung auf kurzer Sicht etabliert wird.
Dieses Paper führt den LLM-Serving Scheduler Portability Benchmark (LSSP) ein, um zu demonstrieren, dass, während die Rankings von Scheduling-Policies über einige Workload-Quellen hinweg eine starke Übereinstimmung zeigen, sie über verschiedene Betriebsbereiche und Evaluierungsmetriken hinweg eine signifikante Variabilität und begrenzte Portabilität aufweisen, was erforderlich macht, dass Scheduler-Vergleiche als abhängig von ihrem spezifischen experimentellen Kontext interpretiert werden.
Diese Studie evaluiert BitkiKormacı, ein türkisches Small-Language-Model-System für den Pflanzenschutz, und zeigt auf, dass die Retrieval-Augmented Generation zwar die Leistung bei spezifischen Entwicklungs-Benchmarks signifikant verbessert, das System jedoch weiterhin kritische Fehler bei Sicherheits- und Resistenzaufgaben aufweist, was die Notwendigkeit einer strengen unabhängigen Expertenprüfung vor der praktischen Implementierung unterstreicht.
Dieses Paper führt das Agentic Enterprise Architecture Framework (AEAF) ein, eine formale Erweiterung traditioneller Enterprise-Architecture-Metamodelle, die eine dedizierte Agency-Schicht mit geschichteter Datalog-Semantik integriert, um nicht-menschliche KI-Agenten durch die Definition ihrer Autoritäts-, Verantwortlichkeits- und Koordinationsbeschränkungen innerhalb der Unternehmensstruktur systematisch zu modellieren, zu analysieren und zu steuern.
Dieses Paper schlägt GAT-MAPPO-EIG vor, ein Graph Attention Multi-Agent Proximal Policy Optimization Framework, das Deep Reinforcement Learning nutzt, um groß angelegte, dynamische Escape-Interdiction-Spiele effizient zu lösen, indem es koordinierte Abfangstrategien erlernt, ohne auf rechenintensive traditionelle Optimierungsmethoden angewiesen zu sein.
Dieses Paper stellt Qaamuuska-NLP vor, ein strukturiertes, maschinenlesbares somalisches Lexikon mit 46.314 Einträgen, das mittels einer deterministischen regelbasierten Pipeline aus dem monolingualen Wörterbuch *Qaamuuska Af-Soomaaliga* von 2012 extrahiert wurde, welches detaillierte grammatikalische und lexikalische Informationen bewahrt und gleichzeitig den ursprünglichen Eintragstext zur Verifizierung beibehält.
Dieses Paper stellt Mirage Mesh vor, ein leichtgewichtiges, mehrschichtiges Cyber-Deception-Framework für Linux-Umgebungen, das Netzwerk-, System-, Software- und Datenebene-Decoys mit einem einheitlichen Event-Schema und einer automatisierten Pipeline integriert, um bösartige Aktivitäten zu erkennen und zu analysieren, die legitimer Administration ähneln, während es gleichzeitig eine neue Metrik zur Bewertung seiner Effektivität über die Cyber Kill Chain hinweg vorschlägt.
Diese systematische Übersicht über zehn Studien mit hohem Verzerrungspotenzial zeigt, dass große multimodale Modelle in der klinischen Medizin anfällig für Eingabe-basierte Korruption in vier verschiedenen Fehlerklassen sind, eine Bedrohung, die unabhängig von Modellcharakteristika oder getesteten Abwehrmechanismen bestehen bleibt und keinen adversen Angreifer erfordert, um die Integrität der Ausgabe zu kompromittieren.
Diese Arbeit stellt ein repräsentationsunabhängiges Tradeoff-Theorem auf, das demonstriert, dass das Löschen höherwertiger semantischer Informationen, die nach einer niederwertigen Fixierung in unbeschränkten deterministischen Pushdown-Realisierungen erhalten bleiben, einen physischen Aufwand erfordert, der durch die Expositions-Stapeltiefe der Quelle und die Kanonialisierungsschuld quantifiziert wird, wobei scharfe untere Schranken aus dem Zusammenspiel zwischen der erhaltenen Information und der begrenzten Beobachtungskapazität abgeleitet werden.