2266 Arbeiten
Dieses Paper argumentiert, dass das Feld, um eine resiliente und nachhaltige Zukunft der KI innerhalb einer koevolvierenden Noosphäre zu gewährleisten, von Top-down-Methoden der repräsentativen Ausrichtung, die eine moralische Homogenisierung erzwingen, zu einem enaktiven Alignment-Framework übergehen muss, welches kognitive Diversität durch endogene, partizipative Normativität bewahrt.
Dieses Paper schlägt das STG-MADAC-Framework vor, einen durch Aufmerksamkeit verstärkten Multi-Agenten-Reinforcement-Learning-Ansatz, der spatiotemporale Graph-Attention und Multi-Objective Advantage Decomposition nutzt, um eine überlegene dezentrale Waffen-Ziel-Zuweisung in dynamischen Luftfahrtverteidigungssystemen zu erreichen.
Das Papier präsentiert MS-RTDETR, einen Echtzeit-End-to-End-Detektor, der die Detektion kleiner Objekte durch die Vereinigung von Multi-Scale-Merkmalsverstärkung und Query-Verfeinerung mittels eines neuartigen Scale-Coupled Feature–Query Refinement (SCFQR)-Mechanismus sowie einer unsicherheitsbewussten Matching-Zielsetzung verbessert und dadurch eine überlegene Leistung und Robustheit über verschiedene Datensätze hinweg erreicht, ohne dass zusätzliche Inferenzzweige erforderlich sind.
Diese Studie entwickelt und validiert empirisch ein Kompetenzmodell für „auditierbare KI-Ethik“, das die Brücke zwischen hochrangigen regulatorischen Mandaten und praktischen Lehrplänen für K-12 sowie Universitäten schlägt, wobei durch ein Pilotprogramm nachgewiesen wird, dass eine ergebnisorientierte, handlungsorientierte Pädagogik Studierende effektiv von passiven KI-Konsumenten zu verantwortungsbewussten Schöpfern transformiert, die zu kritischer Verifizierung, Bias-Mitigierung und rechtlicher Compliance fähig sind.
Dieses Paper führt ein kohärentes Quanten-Feedforward-Neuronales-Netzwerk (QFNN) ein, das trainierbare Projektionsüberlappungen und alternierende Reflexionen nutzt, um exakte Chebyshev-Polynom-Aktivierungen zu implementieren, wodurch es eine rigorose theoretische Grundlage für dessen Expressivität, universelle Approximationsfähigkeit und Generalisierungsgrenzen etabliert, während es gleichzeitig eine wettbewerbsfähige Leistung bei Benchmark-Aufgaben der Bildklassifizierung demonstriert.
Diese Arbeit zeigt auf, dass die schlechte Leistung der Open-World-Malware-Erkennung auf dem BODMAS-Benchmark nicht durch Labeling-Fehler oder Defizite der Detektoren verursacht wird, sondern durch das Vorhandensein eng verwandter Familien im Trainingssatz, die die zurückgehaltenen „neuartigen“ Proben für unüberwachte Novelty-Scoring-Methoden tatsächlich vertraut erscheinen lassen.
// l'original est une seule phrase complexe, la traduction doit l'être aussi. // Traduction : // "Die Implementierung von zehn parallelen Programmiermustern über Message Passing, Shared Memory und WebGPU-Compute-Shader für Node.js und Browser zeigt, dass die thanlische Bibliothek 'ParaWeb' signifikante Geschwindigkeitssteigerungen gegenüber sequentiellem JavaScript sowie eine wettbewerbsfähige Performance gegenüber C++-Bibliotheken erzielt und dabei den kritischen Einfluss des Datentransfer-Overheads auf die GPU-Effizienz hervorhebt." // Attendez, je dois m'assurer de respecter la structure exacte de la phrase originale qui est : [Sujet] + [Verbe] + [Complément d'objet direct/indirect]. // Version finale : ParaWeb ist eine TypeScript-Bibliothek, die zehn parallele Programmiermuster über Message Passing, Shared Memory und WebGPU-Compute-Shader für Node.js und Browser implementiert, wobei sie signifikante Geschwindigkeitssteigerungen gegenüber sequentiellem JavaScript sowie eine wettbewerbsfähige Performance gegenüber C++-Bibliotheken demonstriert und gleichzeitig den kritischen Einfluss des Datentransfer-Overheads auf die GPU-Effizienz hervorhebt.
Dieses Paper schlägt S3HNet vor, ein stufenbewusstes spektral-räumliches hierarchisches Netzwerk, das bodennahe urbane Hyperspektralbilder effektiv segmentiert, indem es bandensensitive spektrale Evidenz in flachen Encoder-Stufen bewahrt und räumlich konsistente semantische Repräsentationen im Decoder rekonstruiert und dadurch bestehende dichte Segmentierungsmodelle auf Benchmark-Datensätzen übertrifft.
Das Paper stellt CRISP vor, einen compilergestützten Ansatz, der durch das Einbüßen von Laufzeit-SIMD-Vektorisierung zugunsten von Compile-Zeit-OpenMP-Parallelisierung eine sichere Parallelisierung auf Polynomebene für die FHE-verschlüsselte Inferenz maschinellen Lernens ermöglicht, was innerhalb des ANT-ACE-Compiler-Frameworks zu signifikanten Geschwindigkeitssteigerungen und Latenzreduzierungen führt.
Dieses Paper schlägt ADE-MDA-Net vor, ein asymmetrisches Dual-Encoder-Netzwerk, das SE-Dual-Pooling-Fusion, Multi-Dilation-Depthwise-Attention und Multi-Scale-Spatial-Attention-Fusion-Module integriert, um eine präzise und recheneffiziente Pixelebene-Segmentierung von anspruchsvollen Oberflächendefekten an Wälzlagern zu erreichen.