3900 Arbeiten
Dieses Paper schlägt ein optimiertes KI-basiertes Intrusion-Detection-System vor, das GridSearchCV nutzt, um sechs Machine-Learning- und Deep-Learning-Modelle auf dem CICDDoS2019-Datensatz abzustimmen, wobei nachgewiesen wird, dass Random Forest und XGBoost im Vergleich zu anderen Algorithmen eine überlegene Genauigkeit und Effizienz bei der Erkennung verschiedener DDoS-Angriffe erreichen.
Dieses Paper schlägt Q-LDPSO vor, einen neuartigen quanten-gestützten Particle Swarm Optimizer, der eine Quanten-Populationsinitialisierung und eine Quanten-Bidirektionale Suchstrategie aufweist, welcher in Kombination mit einem RF-XGBoost-Ensemble-Klassifikator eine überlegene Merkmalsselektions- und Intrusion-Detection-Leistung (99,63 % Genauigkeit) für IoT-Umgebungen erzielt.
Dieses Paper schlägt Conservative Proxy Prompting (CPP) vor, ein parametereffizientes Framework, das die Zuverlässigkeit eingefrorener Vision-Language-Modelle bei fehlenden Modalitäten verbessert, indem es Repräsentationen von Proxy-Merkmalen im Merkmalsraum konstruiert und deren Beitrag konservativ reguliert, um irreführende Signale zu vermeiden.
Diese Studie zeigt, dass die visuell basierte Seitensuche die Evidenzauswahl und die nachgeschaltete Antwortqualität bei Document Visual Question Answering im Vergleich zu lexikalischen Methoden zwar signifikant verbessert, jedoch erhebliche Leistungsunterschiede bestehen bleiben, da die Antwortgenerierung selbst dann Einschränkungen aufweist, wenn die korrekte Seite bereitgestellt wird, und eine hybride Fusion keinen zusätzlichen Nutzen gegenüber starken visuellen Retrievern allein bietet.
AgentCare-Guard ist ein kapazitätsbeschränkter Referenzmonitor, der agentische FHIR-Transaktionen sichert, indem er die Workload-Identität verifiziert, Genehmigungen an spezifische Payloads und Kontexte bindet und eine atomare Ausführung gewährleistet, wodurch in synthetischen Evaluationen, bei denen bestehende Modelle versagten, eine 100%ige Verteidigung gegen Autorisierungsgrenzen-Angriffe erreicht wird.
Dieses Paper präsentiert ein Multi-Agenten-System zur klinischen Entscheidungsunterstützung, das MIMIC-IV-Daten und große Sprachmodelle nutzt, um eine Echtzeit-Ähnlichkeitssuche für Patienten durchzuführen und mittels eines sechs-Agenten-Orchestrierungsworkflows zeitlich bewusste klinische Analysen zu generieren.
SynNat-BERT ist ein interpretierbares, dual-modales selbstüberwachtes Framework, das 1,7 Millionen unbeschriftete Moleküle aus synthetischen und Naturstoff-Räumen nutzt, um eine robuste Vorhersage der Durchlässigkeit der Blut-Hirn-Schranke zu erreichen und erfolgreich neuartige permeable Gerüste zu identifizieren, wobei es bestehende Baselines sowohl in der Genauigkeit als auch in der Generalisierung übertrifft.
Dieses Paper schlägt ein interpretierbares, Digital-Twin-sicheres Scheduling-Framework für die deadline-bewusste Aufgabenallokation in dynamischem Fog-Edge-Computing vor und evaluiert dieses, wobei es zeigt, dass ein leichtgewichtiges analytisches Digital Twin eine wettbewerbsfähige Leistung im Vergleich zu einer handgefertigten Heuristik erzielt und wertbasierte Deep-Reinforcement-Learning-Baselines signifikant übertrifft, während es gleichzeitig robuste Sicherheitsgarantien und prädiktive Diagnostik bietet.
Dieses Paper schlägt ein bilaterales spieltheoretisches Framework für heterogene Rechenzentren vor, das Aufgabenmigration und Akzeptanzentscheidungen durch die Modellierung lastabhängiger Recheneffizienz und Ablehnungsstrafen gemeinsam optimiert und dadurch im Vergleich zu bestehenden statischen oder unilateralen Ansätzen eine überlegene Systemnutzen und Energieeffizienz erreicht.
Dieses Paper schlägt SOC2I vor, ein KI-gestütztes Framework, das die Fähigkeiten eines Security Operation Center auf unbemannte Luftfahrzeuge adaptiert, indem es Echtzeit-Anomalieerkennung, Risikoquantifizierung und autonome Schadensbegrenzung integriert, um die Lücke zwischen konventioneller Netzwerkverteidigung und der cyber-physischen Sicherheit im Luftraum zu schließen.