3899 Arbeiten
Dieser Scoping Review bildet bestehende Validierungsmethoden für Large Language Models im Gesundheitswesen ab, indem er diese nach Aufgabenstellung und Evaluationstyp kategorisiert, um Stakeholdern einen strukturierten Rahmen für die Auswahl kontextangemessener Strategien vor der klinischen Implementierung zu bieten.
Diese systematische Mapping-Studie untersucht 35 Primärstudien, um zu analysieren, wie künstliche Intelligenz die Oral History von statischen Archiven in dynamische, interaktive Felder transformiert, wobei sie bedeutende Fortschritte in der Transkription und Analyse hervorhebt und gleichzeitig kritische ethische Herausforderungen sowie die Notwendigkeit von trauma-sensiblen, menschenzentrierten Ansätzen betont.
Dieses Paper schlägt ein kommunikationseffizientes FedProx-Binary-FedVote-Framework für die Dual-Task-Wi-Fi-Fingerprint-Innenraumlokalisierung vor, das die Uplink-Bandbreite durch die Übertragung von 1-Bit-Update-Richtungen signifikant reduziert und gleichzeitig eine hohe Genauigkeit sowie Robustheit unter starken Non-IID-Datenbedingungen durch FedProx-Regularisierung aufrechterhält.
Diese Arbeit zeigt auf, dass LLMs zwar zur Bewertung der rechtlichen Genauigkeit in ressourcenarmen Sprachen wie dem Quebec-Französisch eingesetzt werden können, ihre Zuverlässigkeit jedoch ohne menschliche Aufsicht für den Einsatz in kritischen Bereichen unzureichend ist, da selbst die stärksten Modelle nur eine moderate Übereinstimmung aufweisen, es versäumen, gefährliche Fehler konsistent zu erkennen, und signifikant von schrittweiser Argumentation sowie Ensemble-Methoden profitieren.
Diese Studie schlägt ein physikinformiertes Dual-View-YOLO-Framework vor, das die auf Deep Learning basierende Objektlokalisierung mit einer aerodynamischen Modellierung des Magnus-Effekts integriert, um die Genauigkeit der Flugbahnvorhersage und der Aufschlagpunkt-Schätzung von rotierenden Tennisbällen unter variierenden Lichtbedingungen signifikant zu verbessern.
Diese Studie schlägt ein adaptives neuronales Schwellenwertnetzwerk vor, das die logistische Regression bei der Priorisierung von SEC-Einreichungen für die Durchsetzung der Rechnungslegung übertrifft, indem es kontextabhängige Schwellenwerte lernt, während es gleichzeitig einen Rahmen von Governance-Anforderungen etabliert, um sicherzustellen, dass das System als vertrauliche Triage-Hilfe und nicht als rechtliches Beweismittel verwendet wird.
Diese Studie validiert das Explainable Multi-Stakeholder Educational Intelligence Framework (EMSEIF), ein empirisches System, das vielfältiges Feedback aus der Hochschulbildung durch erklärbare KI, Wissensgraphen und Fairness-Auditing in prüfbare, aspektbasierte Evidenz und handlungsrelevante Lehrplanverbesserungen transformiert.
Diese Arbeit zeigt, dass in automatisierten Systemen zur Selbstüberprüfung von Papieren die Vorhersage, ob grenzwertige Entscheidungen unter Perturbation umschlagen, effektiv durch eine einfache Baseline erreicht wird, die empirische Score-Shift-Verteilungen und Entscheidungsmargen nutzt, anstatt durch komplexe gelernte Grenzmodelle.
Dieses Paper schlägt GlaucoFusionNet vor, ein multimodales erklärbares KI-Framework, das Netzhautfundusbilder und klinische Daten unter Verwendung von kausaler Inferenz und kontrafaktischer Argumentation integriert, um die Einschränkungen korrelationsgetriebener Modelle zu überwinden, indem es interpretierbare, handlungsrelevante Glaukomrisikovorhersagen und Progressionsstratifizierungen bereitstellt.
Dieses Paper schlägt ein hybrides Framework vor, das Runge–Kutta-optimierte Neural Radiance Fields (NeRF) für die geometrie-bewusste 3D-Rekonstruktion mit einem Diffusions-basierten Verfeinerungsmodul kombiniert, um perspektivische Selfie-Verzerrungen effektiv zu korrigieren und gleichzeitig die Gesichtsidealität, strukturelle Konsistenz sowie fotorealistische Qualität zu bewahren.