3657 Arbeiten
Dieses Paper schlägt VRATF vor, ein auf Vision basierendes, retrieval-augmentiertes Framework, das die Zeitreihenprognose verbessert, indem es rauschreduzierte Trendkomponenten in Bilder umwandelt, um eine visuelle Ähnlichkeitssuche durchzuführen, und diese abgerufenen Muster mit einem leichtgewichtigen DLinear-Baseprediktor fusioniert, um eine überlegene Leistung zu erzielen, insbesondere in Long-Horizon-Szenarien.
Diese Arbeit bewertet die Anfälligkeit automatisierter Intrusion-Responder in Software-definierten Netzwerken gegenüber gefälschtem Beweismaterial und Responder-Verhungern und zeigt auf, dass klassische Responder zwar gegen legitime Hosts instrumentalisiert werden können, spezifische Abwehrmaßnahmen wie Ingress-Port-Binding und Regelbudgets diese Schäden jedoch mit minimalen Leistungskosten effektiv mildern können.
Dieses Paper schlägt ein auf VAE-Transformer basierendes Framework vor, das strukturierte Event-Field-Matrix-Repräsentationen mit Zustands-Semantik-Vektoren kombiniert, um diverse, hochwertige Testfälle zu generieren, wodurch die Abdeckung und Effizienz beim Fuzzing von sicherheitskritischer Luftfahrtsoftware im Vergleich zu konventionellen Methoden signifikant verbessert wird.
Das Papier schlägt MCD-DFusion vor, ein neuartiges Framework, das die adversarielle Robustheit in der multimodalen Sentimentanalyse durch die Einführung einer Metrik für den Grad der Modalitätskonsistenz zur Quantifizierung der kreuzmodalen semantischen Ausrichtung und durch den Einsatz einer dynamischen Fusionsstrategie, die sich adaptiv an Konsistenzniveaus anpasst, verbessert und dadurch adversarielle Angriffe auf Social-Media-Memes signifikant unterdrückt.
Das Papier stellt QSGT vor, ein quanteninspiriertes Hybridmodell, das Token-Pruning und Mixture of Experts mit klinischen Regularisierungstermen kombiniert, um die Treue auf Entitätsebene und die klinische Genauigkeit der multimodalen radiologischen Berichtszusammenfassung signifikant zu verbessern und dabei den Stand der Technik auf dem MIMIC-CXR-Datensatz übertrifft.
Dieses Papier schlägt HDRA vor, ein hybrides metaheuristisches Framework, das den Divine Religion Algorithm, Ant Colony Optimization und Memetic Search integriert, um das NP-schwere Electric Vehicle Routing Problem effektiv zu lösen, wobei es eine überlegene Leistung bei der Reduzierung von Routing-Kosten und Emissionen im Vergleich zu etablierten Algorithmen wie SA, GOA und HHO demonstriert.
Dieses Paper stellt WAFGen vor, eine Multi-LLM-Fine-Tuning-Pipeline, die automatisch syntaktisch valide und kosteneffiziente IDS- und WAF-Regeln für große Cloud-Anbieter generiert und dabei eine hohe Genauigkeit sowie signifikante Reduzierungen der AWS Web ACL-Kapazitätskosten im Vergleich zu manuellen Baselines erreicht.
Q-IDS Bench bietet eine reproduzierbare, ressourcenbewusste Evaluierung von neun quanteninspirierten Intrusion-Detection-Konfigurationen über fünf Datensätze hinweg und zeigt auf, dass die Modellleistung datensatzspezifisch ist und dass Hybridisierung allein keine überlegenen Ergebnisse garantiert, wodurch ein Baseline-Standard für zukünftige Vergleiche mit echtem Quanten-Maschinellen-Lernen etabliert wird.
Dieses Paper schlägt ein adaptives maschinelles Lernframework vor, das eine Fünf-Kriterien-Hybride Merkmalsauswahl mit adaptiver Balance und Schwellenwertanpassung integriert, um Klassenimbalanz und Merkmalsredundanz bei der Vorhersage von Lebererkrankungen effektiv zu adressieren und dabei eine hohe Recall-Rate sowie eine robuste Performance auf den ILPD- und LDPD-Datensätzen zu erreichen.
AdaKVT-Mem ist eine prüfbare, lebenszyklusbewusste Speicherarchitektur für Konversationsprotokolle, die ein zustandsorientiertes Zellmutationsprotokoll verwendet, um Validität, Versionierung und Provenienz zu gewährleisten, während sie gleichzeitig ihre derzeitigen Einschränkungen bei der Erzielung perfekter Aktualisierungserfolge trotz hoher Lebenszyklusgenauigkeit anerkennt.