💻 Category

cs

2476 Arbeiten

💻 computer science

A Hybrid Retrieval Augmented Generation Approach for Explainable Clinical Decision Support Using Vector Databases and Best Matching 25

Diese Arbeit präsentiert ein hybrides Retrieval-Augmented-Generation-Framework, das BM25 und eine auf BioBERT basierende semantische Suche mittels Reciprocal Rank Fusion integriert, um eine erklärbare, personalisierte klinische Entscheidungsunterstützung sowie die Früherkennung von Krankheitsrisiken zu verbessern und dabei eine überlegene Retrieval-Leistung auf einem Datensatz von 182.000 medizinischen Datensätzen im Vergleich zu traditionellen Baselines erzielt.

Bodireddy Mahalakshmi, Smita Khairnar, Shilpa Gite, Anurag Lengure, Anuj Loharkar, Swaraj Mahadik, Soham Mahajan2026-06-25
💻 computer science

An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

Diese Studie schlägt ein erklärbares hybrides klassisch-quantenbasierter Support Vector Machine-Modell vor, das länderübergreifende Daten nutzt, um eine überlegene Leistung bei der Vorhersage des Risikos für die psychische Gesundheit von Müttern (99,86 % Genauigkeit) zu erzielen und gleichzeitig durch die SHAP-Analyse entscheidende klinische Prädiktoren zu identifizieren.

Shallon Ahimbisibwe, Emmanuel Ahishakiye, Samuel Maling, Simon Kawuma, Richard Ntwari, Boaz Twinamasiko, Fred Kaggwa2026-06-25
💻 computer science

Runtime Detection of Attacks and Misconfigurations in Cloud-Native Kubernetes Environments Using eBPF Network Telemetry

Diese Arbeit zeigt, dass Hubble/eBPF-Netzwerktelemetrie, kombiniert mit sorgfältig konstruierten Ground-Truth-Labels, effektiv Laufzeitangriffe und Fehlkonfigurationen in Kubernetes-Umgebungen erkennen kann, wobei sie offenlegt, dass Identitätsattribute der Zielseite die stärksten Indikatoren für Bedrohungen sind, trotz eines Trade-offs zwischen der hohen Präzision regelbasierter Detektoren und dem höheren Recall von Random-Forest-Klassifikatoren.

Andrew Oppong-Asante, Bernard Kyiewu, Clinton Amponsah, Linda Bessa-Simons, Caleb Boakye Yiadom2026-06-25
💻 computer science

ST-HAE: Spatio-Temporal Anomaly Detection inHeterogeneous IoT Networks Under Realistic Class Imbalance

Dieses Paper stellt ST-HAE vor, einen unüberwachten räumlich-zeitlichen hybriden Autoencoder, der eine hochpräzise Anomalieerkennung in heterogenen IoT-Netzwerken unter realistischer Klassenimbalance erreicht, indem er ausschließlich auf gutartigem Datenverkehr trainiert und eine bidirektionale zeitliche Kodierung nutzt, um die Fehlalarmraten und die Varianz im Vergleich zu bestehenden Methoden signifikant zu reduzieren.

Vamsi Krishna Reddy, Nageswara Rao kuda2026-06-25
💻 computer science

Detection of AI-Generated Product Main Images in Cross-Border E-Commerce Based on Multi-Feature Fusion

Diese Arbeit adressiert die Herausforderung der Erkennung KI-generierter Produktbilder im grenzüberschreitenden E-Commerce durch die Einführung des CBEC-AIGC-Bench-Datensatzes und den Vorschlag von MFF-EComDet, einem Multi-Feature-Fusion-Netzwerk, das räumliche semantische und Frequenzartefakt-Zweige mit einem Cross-Attention-Mechanismus kombiniert, um Generierungsartefakte effektiv von störenden Werbetexten zu unterscheiden.

lili huang, zhidan hui2026-06-25
💻 computer science

FluxGraph: Synergizing Dynamic Graph Attention and Flux Memory for Unsupervised Time Series Anomaly Detection

FluxGraph ist ein unüberwachter Rahmen für die Anomalieerkennung in Zeitreihen, der dynamische Graph-Attention mit Flux-Speicher und bidirektionalem Feature-Fluss synergetisch kombiniert, um Maskierungsanomalien und graduelle Basislinien-Drifts in industriellen und automobilen Systemen effektiv zu identifizieren und dabei bestehende Methoden durch einen neuartigen Multi-Residuen-Fusionsansatz zu übertreffen.

Yunya Xiong, Tao Xu, Guozhi Song2026-06-25
💻 computer science

A Multi-Layer Framework for Hallucination Detection and Mitigation in Large Language Models Using Retrieval Grounding and Small Language Model Verification

Dieses Paper schlägt ein mehrschichtiges Framework vor, das die faktische Zuverlässigkeit großer Sprachmodelle verbessert, indem es Antworten in atomare Behauptungen zerlegt, diese mittels Retrieval verankert und sie durch ein kleines Sprachmodell sowie neuro-symbolische Argumentation verifiziert, wodurch signifikante Leistungssteigerungen auf den Datensätzen HotpotQA und SciFact erzielt werden, während gleichzeitig Interpretierbarkeit und Recheneffizienz gewahrt bleiben.

Md. Mahmudul Hasan, Israk Kayum Chowdhury, Md. Eliyas Akondo, Tanvir Ahammad, Khandaker Mohammad Mohi Uddin2026-06-25
💻 computer science

Knowledge-Constrained Neural Completion of Islamic Geometric Patterns with Symmetry Guarantees

Dieses Paper präsentiert ein wissensbeschränktes neuronales Framework, das formale geometrische Regeln in ein Graph-Completion-Modell einbettet, um exakte Rotationssymmetrie und strukturelle Validität in islamischen geometrischen Mustern zu garantieren, wobei nachgewiesen wird, dass Datenaugmentation zwar die Treue verbessert, nur symmetrie-strukturierte Inferenz jedoch eine Null-Verletzungsrate gewährleistet.

Hassan Ugail, Irfan Mehmood2026-06-25
💻 computer science

GeoMind: An Autonomous Multi-Agent Framework for Verified Geospatial Analysis

GeoMind ist ein autonomes Multi-Agenten-Framework, das ein lokales LLM, RAG-basierte Kontextinjektion und einen deterministischen geospatialen Validierer in ein geschlossenes Selbstkorrektursystem integriert, um eine erstklassige Erfolgsquote von 90 % bei der Aufgabenerfüllung sowie eine signifikant verbesserte räumliche Genauigkeit in der geospatialen Analyse zu erreichen und dadurch die bei allgemeinen LLMs üblichen semantischen und geografischen Halluzinationen effektiv zu überwinden.

Jakaria Habib, Monoarul Islam Srabon, Mst Lutfun Nahar, Mariam Lutfy, Most. Amina Khatun, Md. Basim Al Zabir Shammo, Md. (…)2026-06-24