2320 Arbeiten
Dieses Paper schlägt ein selbstüberwachtes, unsicherheitsbewusstes Framework vor, das die Stabilität der objektbezogenen 3D-Lokalisierung beim autonomen Fahren verbessert, indem es zeitliche geometrische Konsistenz und Ego-Motion-Kompensation nutzt, um Tiefenschätzungen zu verfeinern, ohne dass kostspielige 3D-Bounding-Box-Annotationen erforderlich sind.
Dieses Papier schlägt ein umfassendes Framework vor, das fortschrittliche Algorithmen des maschinellen Lernens und Deep Learning, einschließlich BERT und verschiedener RNN-Varianten, zusammen mit diversen Embedding-Techniken und LDA-Themenmodellierung nutzt, um das textuelle Patientenfeedback aus 21 Krankenhäusern zu analysieren und handlungsorientierte Erkenntnisse zur Verbesserung der Gesundheitsdienstleistungen und der Patientenzufriedenheit abzuleiten.
Diese Übersicht untersucht die auf Foundation Models basierende industrielle visuelle Anomalieerkennung unter einem Cold-Start-Deployment-Framework, indem sie Methoden systematisch nach Datenverfügbarkeit und Pipeline-Rollen kategorisiert und gleichzeitig Herausforderungen in der Anpassung, Evaluierung und skalierbaren Implementierung adressiert.
WiFlux AI ist ein intelligentes Framework, das das Smart-Campus-WLAN durch die Echtzeitanalyse von 14 Parametern pro Access Point optimiert, um Überlastungen autonom vorherzusagen und zu lösen, wodurch signifikante Verbesserungen bei der Netzwerkgeschwindigkeit, dem Paketverlust und der Reduzierung von Überlastungen erzielt werden, während es gleichzeitig die Unterstützung von bis zu 1.000 Access Points ermöglicht.
Dieses Paper präsentiert ein multimodales, KI-gestütztes, auf Ausstellungen basierendes Lernmodell, das die subjektive Kunstbewertung und Lehrplanfragmentierung in Sekundarschulen effektiv adressiert, indem es eine hohe Expertenkorrelation erreicht und die Bewertungszeit für Lehrkräfte durch robuste Small-Data-Trainingsverfahren signifikant reduziert.
Dieses Paper schlägt ein neuartiges physikinformiertes Gauß-Prozess-Framework (PIGP) vor, das maßgeschneiderte periodische Kerne und eine adaptive Kollokationsstrategie nutzt, um periodische Lösungen für nichtlineare dynamische Systeme effizient und präzise zu berechnen, wobei es eine überlegene Rechenleistung im Vergleich zur Harmonischen Balance Methode demonstriert.
Diese Studie zeigt, dass bestimmte als Entscheidungsträger eingesetzte große Sprachmodelle eine asymmetrische, präsentationsgesteuerte Konformität gegenüber spezifischen Label-Hinweisen (insbesondere „FALSCH“-Werten) aufweisen, anstatt die Sachverhalte unparteiisch zu bewerten, wobei die Anfälligkeit zwischen den Anbietern signifikant variiert und durch Instruction Tuning gemildert wird.
Dieses Paper stellt H-Elena vor, ein kompromittiertes Coding-LLM, das demonstriert, wie trigger-bedingte bösartige Verhaltensweisen in Modellgewichte kodiert und durch Fine-Tuning-Workflows persistent über verschiedene Architekturen hinweg propagiert werden können, wodurch ein kritisches neues Supply-Chain-Risiko in der KI-Entwicklung aufgedeckt wird.
Dieses Papier schlägt ein Multi-Source-Datenfusionsmodell vor, das Kabeltopologie, AIS-Trajektorien und Unterwasserakustikdaten mittels Graphkonvolution und der Dempster-Shafer-Theorie integriert, um die Genauigkeit der Detektion von Bedrohungen für Seekabel sowie die Robustheit gegenüber Spoofing-Angriffen im Vergleich zu Ein-Quellen-Methoden signifikant zu verbessern.
HUE-OOD ist ein Post-hoc-Framework, das die Robustheit der Out-of-Distribution-Detektion über verschiedene Benchmarks hinweg verbessert, indem es prädiktive, repräsentative und evidenzbasierte Unsicherheitssignale durch eine parameterfreie, rangbasierte Fusionsstrategie kombiniert, die keine Modifikationen an vortrainierten Klassifikatoren erfordert.