929 Arbeiten
Dieses Paper führt die Elemental Variational Expanse (EVE) ein, eine Einheit auf Neuronen-Ebene, die deterministische verborgene Aktivierungen durch eingabebedingte, abgetastete latente Zustände ersetzt, um die probabilistische Vorhersage zu verbessern und messbare Diagnostik zu ermöglichen, während die Kompatibilität mit Standard-Neural-Architekturen gewahrt bleibt.
Dieses Paper schlägt GeoDualNet vor, den ersten End-to-End-Neural-Codec, der die Vorhersage von Disparitätsvektoren und die Tiefenkartenkodierung gemeinsam durch einen einheitlichen geometrischen latenten Raum mit fünf neuartigen Komponenten erlernt und dabei signifikante Bitratenersparnisse sowie eine verbesserte Qualität der synthetisierten Ansichten gegenüber herkömmlichem 3D-HEVC und bestehenden gelernten Multiview-Codecs erzielt.
Dieses Paper führt Modality-Conditional Conformal Prediction (MC²) ein, eine Methode, die durch die Schichtung der Kalibrierung nach Modalitätsverfügbarkeitsmustern ohne das Erfordernis eines Modell-Retrainings valide, informative Abdeckungsgarantien für multimodale medizinische Diagnosemodelle bei fehlenden Modalitäts-Inputs wiederherstellt.
Dieses Paper präsentiert den Enhanced Passive Reader-Writer (EPRW) Lock, eine Userspace-Adaption des ursprünglichen PRW Locks, die die inkompatible Heartbeat-Anforderung für Poll-Mode-Datapaths eliminiert, während sie gleichzeitig die Skalierbarkeit bewahrt und kritische Funktionen wie Lock-Upgrade, -Downgrade und nicht-blockierende Akquisition hinzufügt.
Dieses Paper schlägt ICATS vor, ein Issue-Centric Autonomous Thinking Scheduling Framework, das es Robotern in dynamischen Umgebungen ermöglicht, die interne kognitive Verarbeitung zu priorisieren, indem es vielfältige Faktoren wie unerledigte Aufgaben und aufkommende Risiken als dynamische Issues behandelt, wodurch es herkömmliche Fixed-Baseline-Methoden in Bezug auf gewichtete Belohnung und Statuserkennung übertrifft.
Dieses Paper präsentiert ein interaktives Entscheidungsunterstützungs-Dashboard für das UAC Care System, das unter Verwendung von Python, Streamlit, SQLite und Power BI entwickelt wurde und Echtzeitüberwachung, prädiktive Analysen sowie Szenarioplanung integriert, um die operative Sichtbarkeit und evidenzbasierte Entscheidungsfindung für öffentlich-rechtliche Fallmanager zu verbessern.
Dieses Papier schlägt RL-Trust RPL vor, ein auf Reinforcement Learning basierendes adaptives Vertrauensframework, das Sinkhole-Angriffe in Multicast-RPL-Netzwerken mildert, indem es Knotenverhalten wie Paketlieferung und Energieverbrauch überwacht, um bösartige Knoten zu erkennen und zu isolieren und dadurch die Routing-Sicherheit sowie die Netzwerkleistung zu verbessern.
Dieses Paper schlägt ein hybrides Framework aus Genetischem Algorithmus und Deep Learning vor, das ein leichtgewichtiges ResNet-Modell mit einem benutzerdefinierten GA-gesteuerten Optimierungsschema integriert, um eine schnelle, energieeffiziente Auswahl von Clusterköpfen in wiederaufladbaren drahtlosen Sensornetzwerken zu ermöglichen und dadurch den ersten Knotentod signifikant zu verzögern sowie eine nahezu Echtzeit-Performance ohne den iterativen Overhead traditioneller heuristischer Methoden zu erreichen.
Diese Studie schlägt ein skalierbares, Big-Data-gestütztes Framework vor, das einen Spatio-Temporal Parallel Transformer (STPT) und Clustering-Techniken nutzt, um Verkehrsunfälle und Todesfälle in Bangkok präzise vorherzusagen und somit evidenzbasierte politische Interventionen zur Verbesserung der städtischen Verkehrssicherheit zu ermöglichen.
Dieses Paper schlägt PHUE vor, eine progressive, härtebewusste Undersampling-Ensemble-Methode, die dynamisch kritische Mehrheitsklassen-Proben nahe der Entscheidungsgrenze auswählt und eine Multi-Metrik-gewichtete Integration einsetzt, um bestehende Algorithmen bei der Klassifizierung von unbalancierten Daten signifikant zu übertreffen.