2305 Arbeiten
NeviUNet ist eine effiziente, aufmerksamkeitsgestützte U-Net-Variante, die durch die Integration von Mish-Aktivierung, Attention Gates und SE-Blöcken bei gleichzeitigem Weglassen rechenintensiver Komponenten eine präzise und latenzarme Segmentierung von Hautläsionen in Ganzkörperbildern erreicht.
Das Papier präsentiert FlapFlowNet, ein Transformer-basiertes Streaming-Framework, das durch die Kombination eines leichtgewichtigen CNNs, zeitlicher Modellierung und einer medizinisch optimierten Verlustfunktion eine hochgenaue Echtzeit-Perfusionsüberwachung für Lappenplastik-Sequenzen variabler Länge erreicht und dabei die kritischen Falsch-Negativ-Raten signifikant reduziert.
Das Paper präsentiert ORACOLO, eine neuro-symbolische Question-Answering-Architektur, die ontologie-beschränkte SPARQL-Abfragegenerierung mit Dense-Retrieval-Fallback integriert und eine signifikant verbesserte faktische Genauigkeit gegenüber reinem Dense-Retrieval demonstriert, während sie eine vergleichbare Treue (Faithfulness) beibehält.
Diese Studie schlägt ein hybrides CNN-LSTM-Deep-Learning-Modell vor, das auf einem benutzerdefinierten Datensatz trainiert wurde, der globale Benchmarks und NS-3-simulierten SDN-Verkehr kombiniert, um eine Genauigkeit von 97,8 % bei der Erkennung von Cyberangriffen auf die E-Government-Infrastruktur des Sudan zu erreichen und somit eine skalierbare Lösung zur Verbesserung der nationalen Cybersicherheit anzubieten.
Diese Studie präsentiert ein erklärbares maschinelles Lernframework unter Verwendung eines XGBoost-Modells zur Vorhersage der Bauzeit in einem frühen Stadium basierend auf begrenzten Projektinformationen und zeigt auf, dass das Modell zwar eine starke Vorhersageleistung mit den Projektkosten als primärem Treiber erzielt, seine Ergebnisse jedoch aufgrund der Sensitivität gegenüber der Datenpartitionierung einer sorgfältigen Interpretation bedürfen.
Dieses Paper stellt die Photonic Quantum-Enhanced Knowledge Distillation (PQKD) vor, ein hybrides Framework, das die intrinsische Stochastizität photonischer Quantenprozessoren nutzt, um Konditionierungssignale für ein parametereffizientes Student-Netzwerk zu generieren, wobei eine wettbewerbsfähige Genauigkeit unter aggressiver Kompression über Standard-Benchmarks hinweg erreicht wird, während gleichzeitig Shot-Noise-Skalierung und Feature-Glättung eingesetzt werden, um die Einschränkungen durch endliche Abtastung zu bewältigen.
Dieses Paper schlägt eine zertifizierte Auswahlmethode für die ARINC-653-Partitionsfensteranzahl vor, die eine nahezu optimale Versorgungsgranularität identifiziert und dabei im Vergleich zur erschöpfenden Suche einen signifikant reduzierten Rechenaufwand nutzt, indem sie die Beobachtung ausnutzt, dass viele Fensteranzahlen nahezu identische Leistungswerte liefern.
Dieses Paper schlägt das PACPT-LB-Framework vor, einen hybriden maschinellen Lernansatz, der durch die Nutzung eines groß angelegten simulierten Datensatzes und optimierter Modellkombinationen proaktiv Handover-Fehler, Funkverbindungsabbrüche und Ping-Pong-Ereignisse in 5G-mmWave-Netzwerken vorhersagt, um eine überlegene Genauigkeit über diverse Mobilitätsbedingungen hinweg zu erreichen.
Diese Studie präsentiert und validiert ein kontextsensitives, KI-gestütztes Screening-System, das die Effizienz und Genauigkeit bei der Erkennung von Bildduplikaten in biomedizinischen Publikationen durch die Integration von visueller Ähnlichkeit mit kontextueller Risikobeurteilung signifikant verbessert, um Fehlalarme zu reduzieren und gleichzeitig eine hohe Sensitivität aufrechterhalten zu können.
Dieses Paper schlägt eine Sichtbarkeitsbewusste Textur-Konsens-Methode mit lokalen Strukturbeschränkungen vor, um die 3D-Gaussian-Splatting-Rekonstruktion in texturverschlechterten Szenen zu verbessern, wobei statistisch signifikante Robustigkeitsgewinne unter kontrollierten Protokollen nachgewiesen werden, während gleichzeitig Einschränkungen hinsichtlich der Leistungsfähigkeit im Vergleich zum aktuellen Stand der Technik unter realen Bedingungen eingeräumt werden.