2305 Arbeiten
Diese Arbeit zeigt, dass die Integration von Tensor-Train-Schichten in Physics-Informed Neural Networks die Parameteranzahl signifikant um bis zu das 8,8-Fache reduziert, während 97 % der ursprünglichen Genauigkeit beibehalten werden, wobei die Kompressionseffizienz stark von der Regularität der zugrunde liegenden PDE-Lösung abhängt.
Dieses Paper schlägt ein störungsbasiertes Audit- und Mitigationsframework vor und evaluiert dieses, welches demonstriert, wie Entitätsrauschen das Risiko von hochkonfidenten Fehlrelationen in LLM-generierten scientometrischen Graphen erhöht, wobei aufgezeigt wird, dass entitäts- und evidenzbewusste Abstinenzstrategien die einfache Konfidenzfilterung hinsichtlich der Bewahrung der Graphintegrität effektiv übertreffen.
WSL-Det ist ein Echtzeit-Objektdetektor, der auf der Vajra-Architektur basiert, die wellenbasierte Aufmerksamkeit für frequenzbewusste globale Interaktion und sequentielle orthogonale Streifenkonvolutionen für anisotrope Lokalisierung integriert und so eine führende Genauigkeit und Geschwindigkeit bei industriellen Streifenfehler-Datensätzen wie Leder und NEU-DET erreicht.
Diese Studie entwickelte und validierte ein erklärbares, kontextsensitives maschinelles Lernframework unter Verwendung von elektronischen Patientenakten aus einem ghanaischen Krankenhaus, das die Medikamententreue bei chronisch kranken Patienten mit hoher Genauigkeit (89,5 %) erfolgreich vorhersagt und einen kompakten, ressourceneffizienten Merkmalssatz identifizierte, der für den Einsatz in ressourcenarmen Gesundheitssystemen geeignet ist.
Das Papier stellt Chest2Vec vor, einen vielseitigen, instruktionsgesteuerten Text-Encoder, der in den Größen 0,6 Mrd. und 4 Mrd. Parametern verfügbar ist und sowohl Thorax-Röntgenaufnahmen als auch CT-Berichte effektiv für Aufgaben wie Retrieval, Klassifizierung und Bild-Text-Supervision verarbeitet, wobei er eine überlegene Leistung bei CT-Berichten im Vergleich zu bestehenden Modellen demonstriert.
Dieses Paper schlägt die Instance-Aware Partial Negative Completion (IPNC) vor, ein strukturreguliertes Framework, das durch die Kopplung eines Multi-Output-Prädiktors mit Merkmals- und Score-basierten Graphstrukturen beschränkte weiche negative Zielwerte lernt, um ambivalente Kandidatenlabels im Partial Multi-Label Learning effektiv zu handhaben und dabei eine überlegene empirische Leistung über diverse Datensätze hinweg zu erzielen.
Das Paper schlägt FCA-Attention vor, ein neuro-symbolisches Framework, das aus der Formalen Konzeptanalyse abgeleitete Gitter-Priors mit BERT-Repräsentationen integriert, um die gemeinsame klinische Entitäten- und Relationsextraktion zu verbessern und dabei eine gesteigerte Leistung sowie Interpretierbarkeit zu erreichen, ohne auf externe Wissensgraphen zurückzugreifen.
Dieses Paper schlägt den Heterogenitäts-adaptiven asynchronen ADMM-Algorithmus (HA-ADMM) vor, welcher -gewichtetes Push-Sum-Mixing und adaptive Straffunktions-Updates nutzt, um durch die explizite Charakterisierung und Abschwächung der Auswirkungen von Gradientendissimilarität, Lipschitz-Spread und Kommunikationsverzögerungen eine Nahezu-Stationarität in heterogener nichtkonvexer Multi-Agenten-Optimierung zu erreichen.
Diese Arbeit zeigt auf, dass ein scheinbarer schlüsselabhängiger Zeit-Seitenkanal in der ML-DSA-65-Implementierung von Bouncy Castle tatsächlich ein statistisches Artefakt der natürlichen Variation beim Rejection-Sampling ist, welches verschwindet, wenn die Zeitmessung innerhalb eines vorregistrierten Protokolls erfolgt, das die exakte Anzahl der durchgeführten Iterationen berücksichtigt, wodurch die Sicherheit der Implementierung über alle standardisierten Parametersätze hinweg bestätigt wird.
Diese Arbeit untersucht Halluzinationen in prominenten KI-Chatbots wie GPT-4, Gemini, Claude und Copilot durch Literaturrecherche und Umfragen und hebt deren Tendenz hervor, fabricierte Informationen und Zitierfehler in akademischen Kontexten zu generieren, während sie gleichzeitig Minderungsstrategien wie manuelle Überprüfung und Faktencheck vorschlägt.