2456 Arbeiten
Dieses Paper schlägt das APT-VFSEA-Modell vor, welches variable Fuzzy-Mengen nutzt, um die Effektivität von Advanced Persistent Threat (APT)-Angriffen und -Verteidigungen durch die Adressierung deren inhärenter Unsicherheit und Komplexität quantitativ zu bewerten, wobei eine experimentelle Validierung dessen Genauigkeit gegenüber realen Szenarien demonstriert.
Diese Studie schlägt eine adaptive Auswahlmethode für die Parameter des MICE-Algorithmus auf Basis von Lungenfunktionsindikatoren vor und zeigt auf, dass diese Strategie durch die Aufrechterhaltung einer stabilen Vorhersageleistung und das effektive Erfassen multivariater Korrelationen in COPD-Datensätzen mit variierenden Ausfallraten die PCHIP-Interpolation übertrifft.
Dieses Paper stellt das Oversight-to-Control (O2C)-Framework vor, ein soziotechnisches Modell bestehend aus sechs Funktionen und unterstützenden Bedingungen, um zu diagnostizieren, warum menschliche Aufsicht bei Hochrisiko-KI-Systemen oft keine effektive Kontrolle erreicht, indem es Regulierungsinstrumente und reale Fälle analysiert, in denen Interpretation und rechtzeitiges Eingreifen häufig versagen.
Dieses Paper schlägt AJIT vor, ein hochpräzises klassisch-quantenhybrides Framework, das durch die Kombination von DTCWT-basierter Kompression, quasi-periodischer unitärer Verschlüsselung und topologischer Hypergraph-Verifizierung eine quantenresistente sichere Teilung und Multiparty-Authentifizierung von DICOM-medizinischen Bildern gewährleistet, um eine verlustfreie Rekonstruktion sowie robuste Differenzresistenz zu erreichen.
Diese Studie stellt das Cross-Market Retrieval-Augmented Lag-Llama (CM-RAF-Lag-Llama) Framework vor und zeigt auf, dass die Integration von historischer Retrieval mit einem vortrainierten Lag-Llama-Modell die Prognosefehler über diverse Aktienmärkte hinweg signifikant reduziert, indem analoge historische Zeitfenster zur Korrektur von Vorhersagen genutzt werden, insbesondere für Volatilitäts- und volumenbezogene Zielgrößen.
Das Papier schlägt CFE-UNet vor, ein neuartiges Framework zur semantischen Segmentierung für die Fernerkundung, das einen rekonstruierten Encoder mit einem Cross-Feature-Exchange-Decoder integriert, um globalen Kontext und lokale Details effektiv zu kombinieren und so eine führende Leistung bei komplexen, heterogenen urbanen und natürlichen Szenen zu erzielen.
Diese Arbeit zeigt, dass in eingeschränkten multimodalen Onkologie-Settings mit begrenzten und heterogenen Daten eine prüfbare Evidenz-Rollen-Organisation – die Zuweisung spezifischer, kompakter Rollen für molekulare, phänotypische und klinische Inputs – ein entscheidenderer Faktor für die domänenübergreifende Transferleistung ist als die bloße Erhöhung der Repräsentationsskalierung.
Diese Studie schlägt eine auf GraphRAG basierende Methodik zur automatisierten Meta-Analyse der Literatur zur transkraniellen Magnetstimulation (TMS) vor, welche ein titelbasiertes Chunking, die Konstruktion von Wissensgraphen auf Paper-Ebene sowie hybride Retrieval-Verfahren nutzt, um eine hochgenaue Parameterextraktion zu erreichen und die Zeit für die Evidenzsynthese signifikant zu reduzieren.
StructFix ist ein struktur-bewusstes Framework zur automatisierten Programmbereparatur, das Masked Language Models durch die Integration von Code Property Graphs verbessert, um Kontroll- und Datenabhängigkeiten besser zu erfassen und dadurch die Effektivität der Reparatur sowie die sprachübergreifende Robustheit im Vergleich zu bestehenden, auf Token-Sequenzen basierenden Ansätzen zu steigern.
Das Paper schlägt FedVIB–AGP vor, ein Post-Aggregation-Repair-Framework für föderiertes Lernen, das während des Trainings eine Variational Information Bottleneck-Regularisierung mit Activation-Gap Pruning während der Reparatur kombiniert, um verteilte Backdoor-Angriffe effektiv zu unterdrücken und gleichzeitig eine hohe Genauigkeit bei der Clean-Task aufrechtzuerhalten.