3729 Arbeiten
EviNav ist ein trainingsfreies, evidenzbasiertes Framework für die Zero-Shot-Instanznavigation, das multivisuellen und semantischen Evidenzen akkumuliert, um Ziele robust zu unterscheiden und den Abbruch zu bestimmen, wodurch es Spitzenleistungen bei den Erfolgsraten sowohl in Bild- als auch in Textziel-Navigationsaufgaben erzielt.
Dieses Papier präsentiert einen leichtgewichtigen, autonomen Sicherheitsagenten für Operator-Workstations, der ein effizientes, auf XGBoost basierendes Tastatur-Dynamik-Modul nutzt, um eine Authentifizierungsgenauigkeit von 99,8 % bei minimalem Ressourcenverbrauch zu erreichen, während er gleichzeitig SHAP-gesteuerte Erklärbarkeit und gestufte Human-in-the-Loop-Richtlinien einsetzt, um eine nachhaltige, großflächige Edge-Bereitstellung zu ermöglichen.
Haar-CFR ist ein neuartiges hybrides Framework, das die diskrete Haar-Wavelet-Regularisierung mit dem CFR+-Algorithmus integriert, um eine massive Speicherkompression und eine schnellere Konvergenz als bestehende Methoden zu erreichen, wodurch eine skalierbare und interpretierbare Lösung für das Lösen groß angelegter Spiele mit unvollständiger Information in Bereichen wie Finanzen und Poker geboten wird.
Diese Studie evaluiert die Leistungsfähigkeit von auf LLMs basierenden Systemen (ChatGPT und DeepSeek) im Vergleich zu traditionellen NMT-Systemen (Google Translate und DeepL) bei der Übersetzung moderner chinesischer Poesie ins Japanische und stellt fest, dass LLMs herkömmliche NMTs in Bezug auf Treue, Flüssigkeit und Stil generell übertreffen, während sie gleichzeitig aufzeigen, dass Prompt-Strategien die Übersetzungsqualität in einer modellabhängigen Weise signifikant beeinflussen können.
Diese retrospektive Kohortenstudie stellt einen neuartigen, vollkommen transparenten Machine-Learning-Algorithmus (ShAproxRef) vor, der ein „Black-Box“-neuronales Netzwerk approximiert, um Sepsis aus Routine-Notaufnahme-Daten mit vergleichbarer Genauigkeit (0,82 AUC bei externer Testung) vorherzusagen und dadurch das klinische Vertrauen zu stärken sowie die Implementierung zu erleichtern.
Diese Arbeit schlägt vor und validiert domänenspezifische Verlustfunktionen (USELoss), die herkömmliche perzeptuelle Verluste ersetzen, um die strukturelle Treue und die Erhaltung von Grenzen bei der medizinischen Röntgenbild-Superauflösung signifikant zu verbessern und bestehende Methoden wie SRGAN, ESRGAN und HAT auf dem PadChest-Datensatz zu übertreffen.
Dieses Paper präsentiert ein effizientes Trainingsframework für kompaktes Gaussian Splatting, das die Konvergenz beschleunigt und die Anzahl der Primitive reduziert, indem es eine verlustgesteuerte Verdichtungsstrategie, einen auf Opazitätsgradienten basierenden Pruning-Mechanismus sowie einen optimierten CUDA-Backward-Pass implementiert, während gleichzeitig eine wettbewerbsfähige Rendering-Qualität beibehalten wird.
Diese empirische Studie zur Klassifizierung von EGMR-Verletzungen zeigt, dass die sequentielle kontextuelle Verknüpfung über Segmente mittels BiGRU zwar den Recall verbessert, jedoch unter einheitlicher Aggregation einen Precision-Recall-Trade-off erzeugt, welcher erst durch die Kombination von Kontextualisierung mit selektiver aufmerksamkeitsbasierter Aggregation aufgelöst wird, um den höchsten Makro-F1-Wert zu erreichen.
AgedNet-Motion führt ein trainingsfreies, ressourcenbewusstes Framework für das Streaming von Multi-Task-Perzeption ein, das die Inferenzlatenz durch das selektive Aktualisieren aufgabenspezifischer Zweige basierend auf kalibrierten Bewegungs- und Altersmetriken sowie der Wiederverwendung zwischengespeicherter Ausgaben reduziert und dabei signifikante Geschwindigkeitssteigerungen bei minimalem Qualitätsverlust über verschiedene Modelle hinweg erreicht.
Diese Studie zeigt auf, dass die ursprünglich berichtete Überlegenheit des hierarchischen Multiple-Instance-Learnings gegenüber einer Fixed-Frame-Baseline für die Thromboseerkennung auf Patientenebene ein Artefakt umweltbedingter Inkonsistenzen war und unter kontrollierten Bedingungen nicht reproduziert werden konnte, wodurch Ansprüche auf einen stabilen Modellvorteil widerlegt werden.