2456 Arbeiten
Dieses Paper schlägt eine Multi-Tenant-Edge-Cloud-Hybrid-LLM-Serving-Architektur vor, die W4A16-quantisiertes spekulatives Dekodieren mit asynchroner Kommunikation und einem Multi-Tenant-Verifikations-Orchestrator kombiniert, um gleichzeitig die Herausforderungen in Bezug auf Datenschutz, Latenz und Ressourcenauslastung zu adressieren.
Dieses Paper führt JPAL-HA ein, ein sicheres Lernmodell für sicherheitskritische Umgebungen, das menschliche Begründungen für Handlungen nutzt, um hypothetische Abfragen zu generieren und dadurch die Sicherheit sowie die Sampeleffizienz signifikant verbessert und gleichzeitig die menschliche Trainingsbelastung reduziert.
Diese Studie zeigt auf, dass der Einsatz von erklärbarem maschinellem Lernen zur Analyse von Sicherheitsklimadaten auf Item-Ebene nichtlineare, schwellenwertabhängige Verhaltensrisikomuster offenbart, die durch die Reaktionsfähigkeit des Managements, Schulungen und Erfahrung getrieben werden, was traditionelle lineare Aggregationsmodelle infrage stellt und eine präzisere Grundlage für die proaktive Unfallprävention bietet.
Dieses Paper schlägt eine spärliche -regularisierte quadratische Oberflächen-Support-Vektor-Maschine (QSVM) vor, um Probleme der Überanpassung und Interpretierbarkeit in der kernel-freien nichtlinearen Klassifikation zu adressieren, wobei ein Penalty-Dekompositionsalgorithmus mit nachweisbarer Optimalität und Konvergenzgarantien eingeführt wird, der sowohl auf Benchmark- als auch auf realen Kreditdatensätzen eine wettbewerbsfähige Leistung und Sparsamkeit demonstriert.
Dieses Paper präsentiert eine auf PRISMA basierende systematische Übersichtsarbeit, welche die Einschränkungen aktueller auditiv orientierter Lösungen für gehörlose Lernende aufzeigt und ein KI-gestütztes multimodales Kommunikationsframework vorschlägt, das Spracherkennung, natürliche Sprachverarbeitung und Gebärdensprachgenerierung integriert, um Echtzeit-visuelle Unterstützung zu ermöglichen und eine bedeutungsvolle Inklusion in Klassenzimmern zu erreichen.
Diese Arbeit zeigt auf, dass standardmäßige scaffold-basierte Evaluierungsmethoden einen verborgenen Allokations-Bias einführen, indem sie chemisch heterogene „No-Scaffold“-Moleküle fälschlicherweise als eine einzige Einheit behandeln, was die Generalisierungsmetriken über gängige Benchmarks hinweg verzerrt, und schlägt eine „Empty-Scaffold-Aware“-Reparatur vor, um eine ausgewogene Repräsentation und eine präzise Leistungsbewertung wiederherzustellen.
Dieses Paper stellt C3Q-MARL vor, ein konnektivitätsbewusstes Framework, das eine graphentheoretische Topologiekontrolle mit einem von QAOA inspirierten Optimierungsmodul in das Multi-Agenten-Reinforcement-Learning integriert, um die Koordination, Kollisionsvermeidung und Konnektivitätserhaltung von UAV-Schwärmen unter partieller Beobachtbarkeit und Kommunikationsbeschränkungen zu verbessern.
Diese Studie präsentiert den ersten skalenbasierten Benchmark der YOLOv11- und YOLOv12-Varianten auf dem BCCD-Datensatz, der zeigt, dass, während ihre durchschnittliche Gesamtleistung nahezu identisch ist, YOLOv12 im Nano-Maßstab für latenzkritische Anwendungen hervorragt, wohingegen YOLOv11 es bei mittleren und großen Maßstäben übertrifft, was darauf hindeutet, dass die Modellauswahl durch spezifische Skalen- und Recall-Anforderungen getrieben werden sollte, anstatt von einer einheitlichen Annahme der Überlegenheit auszugehen.
Dieses Paper stellt RLHOARNet vor, eine auf MONAI basierende 3D-U-Net-Architektur mit einem leichtgewichtigen Residual-Boundary-Refinement-Modul, das State-of-the-Art-Leistung und Echtzeit-Inferenzgeschwindigkeiten für die multimodale Hirntumorsegmentierung auf dem BraTS 2020-Datensatz erreicht.
FedHyperM ist ein Framework für privatsphäreerhaltendes föderiertes Lernen auf Edge-Geräten, das Modalitätsheterogenität durch den Einsatz von Hypergraph-basierter Vorhersage und modalitätssensitiver Aggregation adressiert und damit bestehende Baselines in Bezug auf Genauigkeit und F1-Score signifikant übertrifft.