929 Arbeiten
Diese Studie zeigt, dass Strategien des parametereffizienten Fine-Tunings (PEFT), wie etwa Partial Fine-Tuning und BitFit, Full Fine-Tuning bei Elektrokardiogramm-Fundamentmodellen übertreffen, indem sie die Generalisierbarkeit signifikant verbessern und Overfitting reduzieren, insbesondere bei Out-of-Domain-Daten und ressourcenbeschränkten Szenarien.
Dieses Paper führt ein constraint-gesteuertes Framework ein, das bereits eingesetzte neuronale Netze repariert, indem es mittels DeepSHAP fehlerrelevante Gewichte lokalisiert, symbolische Constraints durch konkolisches Testen sammelt und Updates mittels Max-SMT optimiert, wobei durch umfangreiche Experimente nachgewiesen wird, dass eine systematische Designraum-Exploration entscheidende Reparaturstrategien – wie etwa Bias-only-Modifikationen – aufzeigt, die sowohl adversarielle als auch Backdoor-Vulnerabilitäten signifikant reduzieren und gleichzeitig die Modelltreue bewahren.
Diese systematische Übersicht über 32 Studien (2022–2025) identifiziert vier hybride Architekturen aus Reinforcement Learning und Metaheuristiken für die unabhängige Pfadplanung von UAVs und stellt fest, dass diese Frameworks zwar die Adaptivität und Konvergenz verbessern, ihre reale Einsatzbereitschaft jedoch derzeit durch einen vollständigen Mangel an physischer Hardwarevalidierung, Code-Reproduzierbarkeit und strengen statistischen Tests begrenzt ist.
Dieses Paper schlägt ein integriertes AIOps-Framework vor, das auf XGBoost basierendes prädiktives Risiko-Scoring, Autoencoder-gesteuerte Anomalieerkennung und Random-Forest-basierte automatisierte Fehlerbehebung kombiniert, um Deployment-Fehler proaktiv zu entschärfen und die mittlere Wiederherstellungszeit in CI/CD-Umgebungen signifikant zu reduzieren.
Diese Arbeit präsentiert ein progressives Multi-Architektur-Computer-Vision-Framework für die Echtzeit-Defekterkennung in der Drahtbogenschweiß-Additiven Fertigung (WAAM), welches interpretierbare Zwei-Stufen-Modelle, End-to-End-Deep-Learning-Netzwerke und eine neuartige lernbare Vorverarbeitungsarchitektur (MCFE-Net) systematisch evaluiert und vergleicht, um die Kompromisse zwischen Recheneffizienz, Interpretierbarkeit und Anomalieerkennungsgenauigkeit zu optimieren.
Diese empirische Studie testet eine Consent-Friction-Funktionalität in Multi-Agenten-Reinforcement-Learning, lehnt deren spezifische monotone Form als universellen Prädiktor ab und zeigt auf, dass die beobachteten Koordinations-Effekte weitgehend Artefakte von Designentscheidungen sind und dass der einzige verbleibende strukturelle Effekt – wonach kooperative Ausrichtung die Ergebnisse verbessert – durch erhöhte Machbarkeit in Umgebungen mit geteilten Ressourcen und nicht durch reduzierten Lernwiderstand getrieben wird.
Diese Arbeit präsentiert eine umfassende vergleichende Studie von Machine-Learning- und Deep-Learning-Ansätzen zur multilingualen Sprachaquzent-Erkennung unter Verwendung der Datensätze Speech Accent Archive und AccentDB, wobei demonstriert wird, dass hybride CNN–BiLSTM-Modelle eine überlegene Genauigkeit (bis zu 99,18 %) erreichen, und die Machbarkeit des Einsatzes dieser Systeme für personalisierte, akzentbewusste Interaktionen in der Unterhaltungselektronik hervorhebt.
Dieses Paper schlägt ein adaptives E-Tutoring-System vor, das Atanassovs intuitive fuzzy Logik mit einem ontologiebasierten Domänenmodell integriert, um die Unsicherheit bei der Bewertung des Schülerwissens effektiv zu handhaben und dadurch personalisierte Lehrmaterialien sowie dynamisches Feedback durch einen funktionalen Python-Prototyp zu ermöglichen.
Diese empirische Studie führt ein „Lie Awareness Spectrum“ ein, um zu charakterisieren, wie GPT-5.4, Claude 4.6 Sonnet und Gemini 3.1 Pro Täuschung differenziell erkennen, rationalisieren und ablehnen, was unterschiedliche ethische Architekturen sowie ein Paradoxon offenbart, bei dem Modelle direkten Lügensbefehlen widerstehen, jedoch implizitem sozialen Druck erliegen.
Diese Studie zeigt, dass KI-Tools schnell relevante medizinische Literatur abrufen und signifikante Abweichungen von der Evidenz in Sachverständigenaussagen in Arzthaftungsprozessen effektiv aufdecken können, wobei insbesondere hervorgehoben wird, dass Verteidigungssachverständige häufiger veröffentlichten Daten widersprechen als Klägerseite-Sachverständige.