3657 Arbeiten
Dieses Paper stellt MonoClub vor, ein pose-gestütztes Framework, das Golfschlägerköpfe und -schäfte in Monokularvideos zuverlässig lokalisiert, indem es Körpermaßstabs-Priors, geometrische sowie Erscheinungsmerkmale und zeitliche Konsistenz integriert, um Herausforderungen wie Bewegungsunschärfe und Okklusion zu bewältigen.
Diese Studie zeigt, dass die GPT-5 Pro-Serie zwar die Datenextraktion und die Bewertung des Verzerrungspotenzials (Risk-of-Bias) in systematischen Übersichtsarbeiten durch Zero-to-Few-Shot-Prompting signifikant beschleunigen und präzise automatisieren kann, jedoch bei der Volltextprüfung noch unterperformt und hybride Human-in-the-Loop-Workflows für die Generierung von Suchstrings und das Artikel-Screening erfordert, um die Zuverlässigkeit zu gewährleisten.
Dieses Papier stellt CrossKAN vor, ein leichtgewichtiges Modell zur Vorhersage von Multi-Energie-Lasten, das einen Kolmogorov–Arnold-Network-Kopf mit einer durch einen Artificial Lemming Algorithm optimierten Architektur und einer Triple-Korrelations-Merkmalsauswahl integriert, um die Vorhersagegenauigkeit signifikant zu verbessern und gleichzeitig die Recheneffizienz beizubehalten.
Diese Arbeit bewertet die Robustheit von vier Modellen des maschinellen Lernens unter progressiven tabellarischen Verteilungsverschiebungen über mehrere Datensätze und Verschiebungsmechanismen hinweg und zeigt auf, dass, während die anfängliche Leistung auf sauberen Daten die absolute Robustheit stark vorhersagt, relative Erhaltungsmetriken irreführend sein können, und dass spezifische Monitoring-Strategien wie DoC oder Random-Forest-Regressoren je nach Datenverfügbarkeit optimal für die Erkennung von operativen Ausfällen sind.
Dieses Paper stellt ThyroNet vor, ein hybrides Deep-Learning-Modell, das CNN-, BiLSTM- und DNN-Schichten kombiniert und durch die effektive Analyse klinischer und pathologischer Merkmale eine hohe Genauigkeit (94,81 % Testgenauigkeit) bei der Vorhersage von Schilddrüsenkrebs-Rezidiven erreicht, um die personalisierte Behandlungsplanung zu unterstützen.
Diese kritische Rezension kartiert den Reifegrad von KI-Methoden entlang der Sensorentwicklungs-Pipeline, wobei zwischen kommerziell eingesetzten Fähigkeiten in Bereichen wie Kalibrierung und Materialscreening und weitgehend projizierten Ansprüchen einer lebenszyklusweiten Komprimierung unterschieden wird, während gleichzeitig zentrale Datenlücken sowie Bedingungen für eine zukünftige Validierung identifiziert werden.
Diese Arbeit zeigt, dass für die Mamba-basierte domänenübergreifende aspektbasierte Sentiment-Analyse ein einfaches Last-Token-Pooling in Kombination mit Pseudo-Label-Adaption effektiver ist als anspruchsvolle Aggregationsmethoden oder komplexe Pooling-Strategien, ungeachtet der derzeitigen Implementierungseffizienzen im Vergleich zu BERT.
Diese Studie zeigt, dass die Verbesserung der maschinellen Lern-basierten Erkennung von Paper Mills in der Krebsforschung durch die Integration von Volltext-, Zitations- und Bilddaten mit Titel- und Abstract-Informationen die Modellgenauigkeit signifikant verbessert und dabei bis zu 98,2 % bei der internen Validierung sowie 96,4 % bei der externen Validierung erreicht.
Diese Arbeit zeigt auf, dass die konfliktbewusste Enthaltung bei der FEVER-Behauptungsverifizierung zwar eine interpretierbare Begründung für das Zurückhalten von Antworten liefert, jedoch die selektive Genauigkeit gegenüber dem standardmäßigen konfidenzbasierten Ranking bei gleichen Abdeckungsgraden nicht verbessert und bei der Anwendung auf wissenschaftliche Belege schlecht abschneidet.
Dieses Paper stellt SciFilter vor, ein Open-Access-, metadatenbasiertes System, das das skalierbare Screening wissenschaftlicher Publikationsquellen durch die Abstimmung bibliografischer Daten mit nationalen Registern wie JUFO und dem Norwegischen Register automatisiert und dabei eine hohe Genauigkeit (Präzision 0,95, Recall 0,96) sowie Zuverlässigkeit (Fleiß' Kappa 0,94) gegenüber von Menschen kuratierten Benchmarks erreicht.