929 Arbeiten
Diese Studie schlägt ein neuartiges fünfschichtiges KI–IoT–Digital-Twin-Framework vor und validiert dieses, welches Echtzeitdaten, prädiktive Analysen und Augmented Reality integriert, um signifikante Verbesserungen der Fertigungseffizienz, Nachhaltigkeit und Mensch-Maschine-Kollaboration zu erreichen und gleichzeitig mit den Werten der Industrie 5.0 in Einklang zu stehen.
Diese Arbeit offenbart eine kritische Dissoziation zwischen Menschen und großen Reasoning-Modellen (LRMs) bei der Deliberationsallokation: Während beide insgesamt mehr Zeit für schwierigere Probleme aufwenden, investieren Menschen weniger Zeit in Aufgaben, die sie letztlich falsch lösen (Aufgeben schwieriger Aufgaben), wohingegen LRMs paradoxerweise längere Reasoning-Spuren bei Problemen generieren, bei denen sie scheitern (Verharren in Unsicherheit), was trotz oberflächlicher Ähnlichkeiten einen grundlegenden Unterschied in den Stopp- und Kontrollstrategien hervorhebt.
Diese Studie schlägt ein Blockchain-integriertes Cybersicherheits-Framework vor, das ein Convolutional Neural Network (CNN)-Modell nutzt, um eine Detektionsgenauigkeit von 98,3 % und eine Präventionskapazität von 100 % gegen Denial-of-Service (DoS)-Angriffe in KI-basierten Netzwerksystemen zu erreichen.
Diese Studie zeigt, dass KI-gestütztes Prompting die visuelle Komplexität und das Verhaltensengagement beim digitalen Zeichnen steigert, während sie gleichzeitig aufzeigt, dass maschinelle Lernmodelle breite affektive Kategorien besser vorhersagen können als feingliedrige Emotionen basierend auf diesen Zeichnungsmerkmalen.
DIT ist ein dezentrales, postquantensicheres Authentifizierungsprotokoll, das die traditionelle CA-Hierarchie eliminiert, indem es Domänenidentitäten in DNSSEC-verifizierten ML-DSA-65-Schlüsseln verankert und einen hybriden X25519MLKEM768-Handshake mit Merkle-Transparenzprotokollen nutzt, um effizientes, revidierbares Vertrauen ohne zentralisierte Zertifizierungsstellen bereitzustellen.
Dieses Paper schlägt ein unsicherheitsgesteuertes Triple-Memory-Fusionsframework vor, das probabilistisches Mamba nutzt, um Bewegungsunsicherheit zu quantifizieren und Bewegungs-, Erscheinungs- sowie Kategoriedaten dynamisch zu fusionieren, wodurch eine erstklassige Leistung für robustes Multi-Objekt-Tracking in komplexen dynamischen Szenen erreicht wird.
Dieses Paper schlägt ein Verschlüsselungsverfahren für Graustufenbilder vor, das eine durch eine kubische fraktionale Transformation generierte S-Box mit einer Logistik-Abbildung kombiniert, um Substitution, Diffusion und XOR-basierte Permutation durchzuführen, wobei eine robuste Sicherheit durch umfassende statistische und schlüsselempfindliche Analysen nachgewiesen wird.
Diese Studie schlägt ein umfassendes KI-Framework für die pharmazeutische Herstellung vor, das prädiktive Modellierung mit Erklärbarkeit, Fairness, Kalibrierung, Drift-Überwachung und regulatorischer Rückverfolgbarkeit integriert, um prüfbereite, verteidigbare Entscheidungen in der Qualitätssteuerung zu gewährleisten.
Diese Studie zeigt, dass ein leichtgewichtiges YOLO11n-Deep-Learning-Modell eine nahezu perfekte Genauigkeit bei der automatischen Klassifizierung von Verarbeitungsverfahren für getrocknete Seegurken (Salzen, Räuchern und Rösten) aus Bildern mit hoher Objektdichte erreichen kann, was eine robuste, zerstörungsfreie Alternative zur subjektiven manuellen Inspektion für die Qualitätsbewertung bietet.
Dieses Paper schlägt SGMS-DTDNet vor, ein semantisch gesteuertes Multi-Scale Dual-Teacher-Distillationsnetzwerk, das domänenspezifische Semantik, strukturelle Prioren und adaptive Merkmalsauswahl integriert, um durch die Überwindung von Herausforderungen wie spärlichen abnormalen Proben und heterogenen Defektmorphologien eine Spitzenleistung bei der vereinheitlichten medizinischen und industriellen Anomalieerkennung zu erzielen.