2305 Arbeiten
Diese Arbeit zeigt, dass die Optimierung von Reinforcement-Learning-Agenten für emotionsbezogene Aufgaben natürlicherweise interne Belohnungssignale hervorbringt, die mit den Kerncharakteristika biologischer Emotionen übereinstimmen, was das Prinzip stützt, dass Emotionen evolvierten, um Handlungen zur Verfolgung immaterieller Ziele zu verändern.
Diese Studie benchmarkt systematisch vier traditionelle Modelle des maschinellen Lernens gegen vier Transformer-basierte Modelle über fünf öffentliche Datensätze hinweg und zeigt auf, dass Transformer-Architekturen wie RoBERTa die traditionellen Methoden zwar bei der Genauigkeit der Erkennung von Fake News signifikant übertreffen, jedoch erheblich höhere Rechenkosten verursachen, wodurch sie kritische Erkenntnisse über die Abwägung bei der Modellauswahl unter variierenden Ressourcenbeschränkungen liefern.
Dieses Papier definiert formal das bisher undokumentierte nepalesische Kartenspiel Dahal Jeet und präsentiert einen umfassenden computergestützten Benchmark, der zeigt, dass suchbasierte Agenten lernende Methoden übertreffen, während es gleichzeitig aufzeigt, dass die Trumpflänge ein stärkerer Prädiktor für den Sieg ist als Punktkarten und dass die Kontrolle der Verteilungsvarianz essenziell ist, um Unterschiede in der menschlich-agentenbasierten Leistung genau zu messen.
Diese Studie zeigt, dass für eingefrorene Fußgängerdetektoren unter Gaußschem Rauschen und JPEG-Akquisition die Auswahl von Denoisern basierend auf der Übereinstimmung des Degradationsmodells entscheidend für die Detektionswiederherstellung ist, während das Vertrauen auf traditionelle Restaurierungs-Treue-Metriken wie PSNR oder SSIM zu suboptimalen Entscheidungen führen kann.
AlamX ist eine datenschutzwahrende, vollständig lokale klinische Intelligenzplattform, die ein auf Random Forest basierendes Symptom- und Vitalparameter-Triage-System mit einem lokal ausgeführten biomedizinischen LLM kombiniert, um präzise, unsicherheitbewusste Krankheitsvorhersagen und konversationelle Gesundheitsberatung bereitzustellen, ohne sensible Nutzerdaten an entfernte Server zu übermitteln.
Eine innerhalb-der-Probanden-Durchgeführte Szenario-Studie mit US-amerikanischen Erwachsenen ergab, dass Nutzer zeitsynchronisierte, integrierte Datenarchitekturen für KI-basierte digitale mentale Gesundheitssysteme hinsichtlich der Systemqualität, Informationsqualität und des Nettonutzens positiver wahrnehmen als traditionelle isolierte Frameworks, wenngleich diese moderaten Wahrnehmungsvorteile einer weiteren Validierung durch funktionale Prototypentests bedürfen.
Dieses Papier schlägt ein neuartiges asynchrones vertikales föderiertes Lernframework vor, das mit der Blockchain-Technologie integriert ist, um die Einschränkungen des synchronen Trainings und der zentralisierten Koordination zu überwinden und dadurch die Effizienz, Sicherheit sowie das Engagement der Teilnehmer durch dezentralen Konsens, transparente Modellevaluierung und auf Smart Contracts basierende Anreizmechanismen zu steigern.
Dieses Paper führt Bipolar Logic Networks (BLN) ein, ein regelbasiertes maschinelles Lernmodell, das eine konkurrenzfähige Genauigkeit mit modernsten interpretierbaren Methoden erreicht und gleichzeitig in einzigartiger Weise verifizierbare, abfragbare Boole'sche Logik sowie kalibrierte Wahrscheinlichkeiten bereitstellt, die für die Prüfung von Entscheidungen mit hoher Tragweite essenziell sind.
Dieses Paper schlägt eine neuartige, zustandslose deterministische Rechenarchitektur vor, die die Theorie der algorithmischen topologischen Resonanz, eine virtuelle 1-Million-Qubit-Verarbeitungseinheit und reversible thermodynamische Logik integriert, um die Speicherwand, die Shannon-Grenzen und das Landauer-thermodynamische Limit zu überwinden und gleichzeitig Hardware-Sicherheit sowie langfristige digitale Beständigkeit zu gewährleisten.
Diese Studie zeigt, dass maschinelle Lernmodelle zwar eine hohe Leistung bei der Demenzerkennung auf dem OASIS-2-Datensatz erzielen können, wenn sie durch kreuzvalidierte Verfahren auf Teilnehmerebene streng evaluiert werden, um Data Leakage zu verhindern, ihre scheinbare Abhängigkeit von MRT-Merkmalen jedoch inkonsistent ist und oft vom Mini-Mental State Examination (MMSE) überschattet wird, was die kritische Notwendigkeit einer unabhängigen Validierung unterstreicht, um klinische Erklärbarkeit und Generalisierbarkeit zu gewährleisten.