2456 Arbeiten
Diese Arbeit zeigt auf, dass Anweisungen in natürlicher Sprache unter verborgenen operativen Anforderungen fragil sind, wobei sie offenlegt, dass generisches Prompting fehlschlägt, wenn ausgelassene Nebenbedingungen nicht erfüllt werden, während die Leistung signifikant steigt, wenn diese Nebenbedingungen explizit hervorgeholt und ausgeführt werden.
Dieses Paper präsentiert ein neuartiges, durch LLMs erweitertes Decision-Intelligence-Framework, das eine FMEA-basierte Risikokuantifizierung mit kontextueller Argumentation durch Large Language Models integriert, um eine statistisch signifikante, hochsensitive Echtzeit-Risikobewertung der Lieferkette zu erreichen, wie durch sowohl parametrisierte Simulationen als auch umfangreiche empirische Tests am DataCo Smart Supply Chain Datensatz validiert wurde.
Dieses Paper führt ein neuartiges Korpus diplomatischer Gegenargumente aus Reden der UN-Generalversammlung (2005–2024) ein und evaluiert modernste Large Language Models unter Verwendung zeitlich ausgerichteter Fine-Tuning-Strategien, um einen systematischen Benchmark für die domänenübergreifende Generalisierung in der Generierung von Gegenargumenten zu etablieren.
CUPID-Med ist ein neuartiges Framework, das konforme, unsicherheitsbewusste Prototypenentdeckung nutzt, um klinisch interpretierbare, mengenwertige Cluster-Vorhersagen mit kalibrierten Konfidenzwerten zu generieren, wobei es deterministische Baselines bei der Strukturierung unbeschrifteter medizinischer Bilddaten signifikant übertrifft.
Diese Studie schlägt ein erklärbares, zweischichtiges spieltheoretisches Deep-Learning-Framework vor, das SHAP für die Interpretierbarkeit von Merkmalen und das Nash-Gleichgewicht für die wettbewerbsorientierte Preisanalyse kombiniert, um traditionelle Modelle bei der Prognose der kurzfristigen Vermietungsnachfrage signifikant zu übertreffen.
Dieses Paper schlägt einen „Smart Learning Estimator“ (SLE) vor, einen durch Deep Learning erweiterten Kalman-Filter, der TGAN-, LSTM- und RWFNN-Architekturen kombiniert, welcher die Genauigkeit und Robustheit kostengünstiger INS/GNSS-Navigationssysteme während längerer GNSS-Signalausfälle signifikant verbessert, indem er die Einschränkungen traditioneller linearer Filter überwindet.
Dieses Paper schlägt TDF-LSTGBM vor, eine neuartige zweistufige Hybridarchitektur, die zeitliche Merkmale aus der vorletzten Schicht eines gestapelten LSTM extrahiert und diese mit Konsumenten- und Zeitattributen für ein Gradient Boosting Machine kombiniert, wodurch im Vergleich zu traditionellen LSTM- und ARIMA-Modellen eine signifikant höhere Genauigkeit bei der mehrgranularen Prognose des Strombedarfs im Smart Grid über fünf Konsumentenkategorien hinweg erreicht wird.
GraphGarment ist ein dateneffizientes Sim-to-Real-Framework, das ein in der Simulation trainiertes Graph Neural Network mit einem leichtgewichtigen Residual-Korrektor kombiniert, um die Dynamik von Kleidungsstücken aus minimalen realen Daten präzise vorherzusagen und so ein robustes robotisches Aufhängen von Kleidung zu ermöglichen.
Diese Studie präsentiert ein vereinheitlichtes, erklärbares Deep-Learning-Framework, das eine auf ResNet50 basierende Mikrostrukturklassifizierung und eine auf YOLOv8 basierende Oberflächenfehlererkennung mit einer regelbasierten Schweregradabschätzung integriert, um eine robuste, interpretierbare und automatisierte Qualitätskontrolle für die Stahlproduktion zu ermöglichen.
Dieses Papier schlägt eine Simulation auf Garn-Ebene vor, die Webmuster nutzt, um gerichtete Wärmediffusions- und Schrumpfungsgradienten zu berechnen und dadurch präzise komplexe thermische Beulen-, Verdrehungs- und ungleichmäßige Faltenbildungseffekte in Geweben erzeugt, die herkömmliche Modelle auf Oberflächenebene nicht erfassen können.