💻 Category

cs

3729 Arbeiten

💻 Informatik

Explainable and Uncertainty Aware Deep Learning for Concealed Prohibited Item Detection in Nonintrusive X-ray Inspection

Dieses Paper stellt CAU-XInspect vor, ein erklärbares und unsicherheitsbewusstes Deep-Learning-Framework, das auf YOLO26 basiert und durch ein neuartiges Concealment-Aware Feature Enhancement Module die Detektion von verborgenen verbotenen Gegenständen in Röntgenbildern signifikant verbessert, wobei es eine starke Leistung auf dem PIDray-Benchmark erzielt und gleichzeitig die Notwendigkeit einer weiteren Domänenadaption vor dem realen Einsatz hervorhebt.

Paul Kategaya Kisozi2026-10-20
💻 Informatik

Beyond mIoU: A Deployment-Oriented Evaluation Framework for UAV Semantic Segmentation

Dieses Paper schlägt ein umfassendes, einsatzorientiertes Evaluierungsframework für die semantische Segmentierung von UAVs vor, das über traditionelle mIoU-Metriken hinausgeht, indem es Effizienz, Robustheit, Kalibrierung und räumliche Fehleranalyse integriert, um die Auswahl optimaler Modelle für praktische Anwendungen zu leiten.

Nadeem Gul, Meng Qin, Aamir Naveed Abbasi, Sichun Zheng, Gu Yuanyuan, Changqing Cao2026-10-20
💻 Informatik

Zero-Trust, Zero-Knowledge: A Lightweight Blockchain and Federated Learning Framework for Privacy-Preserving IoT Device Authentication

Dieses Paper schlägt ein leichtgewichtiges, datenschutzorientiertes IoT-Authentifizierungsframework vor, das Zero-Trust-Zero-Knowledge-Prinzipien, verhaltensbasiertes föderiertes Lernen mit differenzieller Privatsphäre und eine hochdurchsatzfähige Proof-of-Authority-Blockchain integriert, um eine Genauigkeit von 99,2 % sowie robuste Sicherheit gegen Angriffe zu erreichen und gleichzeitig eine geringe Latenz und niedrige Kosten aufrechterhalten.

Mohamed Koroma, Ibrahim Abdulai Sawaneh, Mohamed Syed Fofanah, Maurice Sesay2026-10-20
💻 Informatik

Comparative Evaluation of Machine Learning Models for Heart Disease Prediction: Performance, Calibration, Threshold Selection, and Explainability

Diese Studie evaluiert fünf Modelle des maschinellen Lernens am Cleveland Heart Disease Datensatz und stellt fest, dass die logistische Regression mit einem kalibrierten Schwellenwert von 0,552 die beste Leistung (85,71 % Genauigkeit und 0,939 ROC-AUC) erzielte, während sie gleichzeitig Hauptgefäße, Brustschmerztyp und Thallium-Testergebnisse als entscheidende Prädiktoren identifizierte, wobei die Autoren jedoch die Notwendigkeit einer externen Validierung betonen, bevor diese Ergebnisse auf diverse Populationen verallgemeinert werden können.

Stanley Kirunda Dhakaba¹, Patience Atukunda¹, Anthony Bua²2026-10-20
💻 Informatik

An Internet Search--Augmented Soft Prompt Tuning Framework for Explainable Resume Screening in Healthcare Recruitment

Diese Studie präsentiert ein durch Internetsuche augmentiertes, mittels Soft-Prompt-Tuning optimiertes Framework für große Sprachmodelle, das durch die Integration von strukturierter Extraktion, gezielter Evidenzabfrage und Expertenregeln zur Priorisierung qualifizierter Kandidien bei gleichzeitiger Aufrechterhaltung menschlicher Aufsicht die Genauigkeit, Erklärbarkeit und Effizienz der Lebenslaufprüfung im Gesundheitswesen signifikant verbessert.

Yanting Wu, Tianao Hu, Siyu Gu, Yilin Mao, Xingxing Cen2026-10-20
💻 Informatik

Per-Node Performance and Memory Limits of LLM Inference on CPU-Only Edge Nodes

Diese Arbeit charakterisiert die Leistungs- und Speicherbeschränkungen der reinen CPU-basierten LLM-Inferenz auf Edge-Knoten und zeigt auf, dass die Speicherbandbreite – nicht die Rechenleistung – der primäre Engpass ist und dass Quantisierung unerwartet den Laufzeitspeicherverbrauch erhöht, was ein neues Größenmodell für eine präzise Einsatzplanung erforderlich macht.

Yogesh Narayan Gaur, Manju Khanna2026-10-20
💻 Informatik

A Compact Open Encoder Model for Calibrated Typed Decisions on Unseen Tasks

Das Papier stellt typic-bert vor, ein kompaktes, offenes Encoder-Modell mit 396 Mio. Parametern, das effizient kalibrierte, strukturierte Entscheidungen für ungesehene Aufgaben mit hoher Genauigkeit und Robustheit gegenüber langen Kontexten generiert und dabei deutlich leistungsfähiger als größere Modelle wie Laya ist, während es gleichzeitig minimale Trainingsressourcen erfordert.

Md. Minaruzzaman Shovon2026-10-20
💻 Informatik

A Scalable Framework for Longitudinal Surveillance of Research Evolution in Digital Medicine

Dieses Paper präsentiert ein neuartiges, skalierbares Framework zur Verfolgung der Forschungsevolution über heterogene biomedizinische Literatur hinweg, welches auf 78.073 Artikel in der digitalen Medizin angewendet wurde, um sich verschiebende Trends in maschinellem Lernen und generativer KI aufzuzeigen und gleichzeitig zu demonstrieren, dass viele scheinbare Rückgänge bei Themen Artefakte von Änderungen der Keyword-Quellen sind und nicht auf ein echtes Schwinden des Interesses zurückzuführen sind.

Yilun Liang, Gongbo Zhang, Casey Ta, Yilu Fang, Chunhua Weng2026-10-20
💻 Informatik

Exact and near-duplicate symptom profiles inflate the reported performance of machine learning classifiers for diabetes: a leakage- aware re-evaluation of the UCI Early-Stage Diabetes dataset

Diese Studie zeigt auf, dass die weithin berichtete hohe Leistungsfähigkeit von Machine-Learning-Klassifikatoren auf dem UCI Early-Stage Diabetes Datensatz signifikant durch Data Leakage aus exakten und nahezu identischen Symptomprofilen aufgebläht wird, wobei deutlich wird, dass eine rigorose profilgruppierte Kreuzvalidierung die Genauigkeitsschätzungen erheblich senkt und die Modellrankings verändert.

William Marin-Rodriguez, Daniel Andrade-Girón, Viviana Vellon-Flores, Enrique Diaz-Vega, Timoteo Solano-Armas2026-10-20