2305 Arbeiten
Dieses Paper schlägt SATrans vor, ein neuartiges auf Attention basierendes temporales Framework, das multimodale physiologische Signale und eine dynamische PAD-gesteuerte Labeling-Methode nutzt, um eine hochgradig genaue, robuste und skalierbare Echtzeit-Klassifizierung der Schwere von Depressionen über verschiedene Zeitauflösungen hinweg zu erreichen.
Dieses Paper schlägt ein neuartiges, auf der Motif-Matrix basierendes dichteadaptive Modell (NDAMM) vor, das eine multiskalige räumliche Merkmalsfusion sowie atrous-pyramidale zeitliche Poolung nutzt, um eine präzise, interpretierbare und effiziente automatisierte Detektion von vorzeitigen atrialen und ventrikulären Kontraktionen zu erreichen, wobei es bestehende Methoden über öffentliche Datenbanken hinweg übertrifft.
Dieses Paper schlägt eine leichtgewichtige, auf Sonden basierende Policy für selektive Klassifikation auf OpenML-Tabellenaufgaben vor und evaluiert diese, welche dynamisch zwischen Rohvorhersagen, Temperature Scaling und Dirichlet-Kalibrierung wählt, wobei demonstriert wird, dass eine solche bedingte Selektion sowohl die Wahrscheinlichkeitsgenauigkeit als auch die Qualität der Enthaltung im Vergleich zu universeller Kalibrierung oder fehlender Kalibrierung verbessert.
Āyurpadaviśleṣikā ist eine KI-gestützte digitale Plattform, die über 4.000 medizinische Einträge aus klassischen Sanskrit-Texten unter Verwendung des fünfgliedrigen ayurvedischen Rahmens organisiert, um Wissensfragmentierung zu adressieren und die Zugänglichkeit für diverse Nutzer durch natürliche Sprachverarbeitung, Computer Vision und Expertenkuratierung zu verbessern.
Dieses Paper schlägt einen merkmalsbasierten, interpretierbaren maschinellen Lernansatz unter Verwendung zeitlicher und struktureller Gesetzgebungshistorie vor, der bestehende Baselines bei der Vorhersage von Ergebnissen auf Propositionsebene in der brasilianischen Abgeordnetenkammer signifikant übertrifft und praktische Werkzeuge für eine verbesserte parlamentarische Überwachung und Transparenz bietet.
Dieses Paper schlägt ein datensatzübergreifendes Framework vor, das evidenzgefilterte SHAP-Attributionen mit pädagogisch fundiertem LLM-Feedback integriert, um handlungsrelevante, szenariokompatible Erklärungen für die Vorhersage von Schüler-Risiken über diverse Bildungskontexte hinweg zu generieren, wobei eine verbesserte Konformität und Robustheit durch Validierung auf sowohl querschnittlichen als auch longitudinalen Datensätzen nachgewiesen wird.
Das Paper stellt EEG-LM vor, ein Foundation Model, das Gehirnsignale und natürliche Sprache verbindet, indem es EEG-Repräsentationen durch diffusionsgestütztes kontrastives Lernen mit Large Language Model Embeddings ausrichtet und dadurch eine erstklassige Leistung, starke Generalisierung sowie interpretierbare Emotionserkennung über mehrere Datensätze hinweg erreicht.
Dieses Paper schlägt E-GCNet vor, ein hybrides Deep-Learning-Framework, das die Adaptive Min-Max-Vektornormalisierung, einen verbesserten gewichteten Wrapper-Filter zur Merkmalsauswahl und ein Soft-Voting-Ensemble aus Enhanced GoogleNet und Capsule Networks integriert, um eine hochgenaue und zuverlässige Erkennung des kognitiven Zustands mit einer Genauigkeit von 97,4 % zu erreichen.
Diese gemäß den PRISMA-2020-Leitlinien durchgeführte systematische Übersichtsarbeit evaluiert das Potenzial verschiedener Deep-Learning-Algorithmen für die Früherkennung chronischer Krankheiten, während sie aktuelle Einschränkungen wie Datenknappheit und Interpretierbarkeit hervorhebt und zukünftige Richtungen zur Entwicklung zuverlässigerer und klinisch vorteilhafterer Diagnosesysteme vorschlägt.
Diese Studie präsentiert ein konfigurierbares LLM-System, das ein Minimal Atomic Unit (MAU)-Framework nutzt, welches eine hochpräzise, quellennachvollziehbare Datenextraktion für Metaanalysen erreicht und dabei dekomponierte Ansätze signifikant übertrifft, während es über verschiedene klinische Domänen hinweg eine vernachlässigbare Halluzinationsrate beibehält.