2456 Arbeiten
Dieses Papier präsentiert AdapNet-IDS, ein selbstadaptierendes und interpretierbares Deep-Learning-Framework, das BiLSTM, Self-Attention und Elastic Weight Consolidation integriert, um eine hochgenaue Echtzeit-Intrusion-Detection mit kontinuierlichen Lernfähigkeiten und transparenter Entscheidungsfindung über diverse Netzwerkumgebungen hinweg zu erreichen.
Dieses Paper schlägt FedMOJO vor, ein geschlossenes kollaboratives Framework, das Low-Rank-Repräsentationslernen, differenzielle Privatsphäre und Fairness-Privacy-Optimierung integriert, um Nutzen, Gruppenfairness und den Schutz der Privatsphäre in der föderierten Textklassifizierung unter Non-IID-Daten effektiv auszubalancieren.
Dieses Paper schlägt ein Deep-Learning-Framework vor, das CNN-, RNN- und LSTM-Modelle nutzt, um knotenebene Fehler in drahtlosen Sensornetzwerken basierend auf zeitlichen Merkmalen zu erkennen, validiert durch Leistungsmetriken und visualisiert über eine Echtzeit-Graph-Mapping-Schnittstelle.
Diese Studie schlägt ein transferierbares, erklärbares und unsicherheitsbewusstes maschinelles Lernframework für die Klassifizierung der Wasserqualität in datenarmen Regionen vor, das unterschiedliche Aufgabenfamilien und robuste Modellierung kombiniert, um ein vorsichtiges, reproduzierbares Entscheidungsunterstützungswerkzeug anstelle eines blinden automatischen Klassifizierers bereitzustellen.
Dieses Paper stellt ILS+SP vor, eine hybride Metaheuristik, die Iterated Local Search mit einer Set-Partitioning-Postoptimierung kombiniert, welche die bestehenden State-of-the-Art-Methoden zur Lösung des Family Capacitated Vehicle Routing Problem signifikant übertrifft, indem sie nahezu optimale Lösungen für großskalige Benchmark-Instanzen erzielt.
Dieses Paper beweist, dass auf Pooling basierende Planungsagenten einer unreduzierbaren, berechenbaren Obergrenze der Objektgrundierung unterliegen, die ausschließlich durch die Einbettungsdimension und die Anzahl der Objekte bestimmt wird – eine strukturelle Limitierung, die unabhängig von Modellkapazität oder Training zu Identitätsverlust führt.
Diese Studie schlägt das Entropy-Resolved Sensor Actionability (ESA)-Framework vor, eine einheitliche Auswahlmethode, die Informationsrelevanz, zeitliche Stabilität, Redundanzfreiheit und Vollständigkeit integriert, um kompakte, interpretierbare Sensor-Teilmengen zu identifizieren, die unter variierenden Feldbedingungen und fehlenden Daten eine nahezu perfekte Vorhersageleistung aufrechterhalten.
Dieses Paper präsentiert einen FPGA-beschleunigten Matrix Product State (MPS) Quantenschaltkreis-Simulator, der in der Lage ist, über 500 Qubits zu handhaben, indem er Tensorkontraktionen an eine Xilinx Alveo U55C auslagert, während SVD und Sampling auf dem Host verbleiben, was demonstriert, dass die Leistung mit der Bindungsdimension anstatt mit der Qubit-Anzahl skaliert, und die kritische Rolle des Systems durch rigorose Korrektheits- und Falsifikations-Experimente validiert.
Dieses Paper stellt den Robust Stochastic Variance-Reduced Virtual Try-On (RSVR-VTO) Algorithmus vor, ein Framework der distributionsrobusten Optimierung, das eine stabile geometrische Verformung und Textursynthese unter dynamischen Umweltunsicherheiten garantiert, während es eine O(1/ε²)-Konvergenzrate sowie eine überlegene Leistung bei High-Resolution-Benchmarks erzielt.
Dieses Papier schlägt eine neuartige Bildungsstrategie vor, die Large Language Models und Deep Learning integriert, um eine intelligente virtuelle Freundigkeitspuppe zu erschaffen, die durch die Analyse multimodaler Daten eine objektive, kontinuierliche und personalisierte Bewertung des Bildungsfortschritts für Kinder mit Autismus-Spektrum-Störungen ermöglicht.