2550 Arbeiten
Diese Arbeit zeigt auf, dass ein entscheidungsbewusstes maschinelles Lernframework für das akademische Frühwarnsystem herkömmliche regelbasierte und probabilistische Schwellenwertansätze übertrifft, indem es versäumte Interventionen reduziert und durch kontextsensitive Unterstützungsentscheidungen, die aus kalibrierten Risikoschätzungen abgeleitet werden, die Ungleichheiten in der Chancengerechtigkeit verringert.
Dieses Paper schlägt ein KI-gestütztes Framework vor, das vorausschauende Wartung und Prozessoptimierung integriert, um die operative Effizienz und Systemzuverlässigkeit in der industriellen Fertigung durch die Nutzung von Echtzeit-Sensordaten für die Fehlererkennung, die Schätzung der Restlebensdauer sowie die dynamische Parameteranpassung zu steigern.
Diese Arbeit präsentiert eine Machine-Learning-Studie, die mit einer Genauigkeit von über 93 % die Ergebnisse professioneller Volleyballspiele mittels Gradient-Boosting- und Random-Forest-Modellen vorhersagt, welche auf synthetischen Daten trainiert und an realen Spielen der polnischen PlusLiga validiert wurden, wobei die OPI- und Break-Point-Differenziale als die kritischsten prädiktiven Merkmale identifiziert wurden.
Dieses Paper schlägt ein KI-gestütztes, vertrauensbewusstes Sicherheitsframework für kognitive Funknetze vor, das eine auf Random Forest basierende Detektion und eine Bayes-basierte Vertrauensevaluierung integriert, um SSDF-, PUE- und Jamming-Angriffe effektiv zu mildern und dabei eine hohe Detektionsgenauigkeit sowie eine signifikante Verbesserung der Netzwerkzuverlässigkeit und des Durchsatzes selbst unter schweren Angriffsbedingungen und niedrigen SNR-Werten zu erreichen.
Dieses Paper schlägt CATBridge vor, ein mehrstufiges Wissensoptimierungs-Framework, das einen Teacher-Student-Kollaborationsmechanismus nutzt, um leichtgewichtige LLMs dabei zu unterstützen, eine überlegene CVE-ATT&CK-Alignment-Genauigkeit in ressourcenarmen Umgebungen zu erreichen, wobei es sowohl aktuelle State-of-the-Art-Methoden als auch Zero-Shot-Modelle in großem Maßstab signifikant übertrifft.
Diese Studie evaluiert hybrides klassisch-quantenbasierte Routing für ein weltraumgestütztes Rechenzentrum mit 10 Knoten unter Verwendung eines CUDA-Q-Workflows und stellt fest, dass photonische Backends zwar eine überlegene Genauigkeit bei geringer Latenz erreichen, Variational Quantum Circuit (VQC)-Backends jedoch trotz des Angebots reichhaltigerer Quantenzustandsstrukturen prohibitive Latenzstrafen verursachen.