2329 Arbeiten
Dieses Paper stellt MeowID vor, ein Dual-Expert-Retrieval-System, das die Gesichtserkennung und die Ganzkörper-Katzenerkennung mit einem Face-Priority-Framework kombiniert, um eine robuste Identifizierung einzelner Katzen in unkontrollierten Umgebungen zu erreichen, begleitet von der Veröffentlichung des neuen Datensatzes Individual Cats in the Wild (ICW).
Dieses Paper demonstriert, dass das Hinzufügen eines mit-trainierten „Order Stamp“ zu persistenten modellinternen Speicher-Keys Versionskonflikte dadurch löst, dass eine präzise Abfrage spezifischer Fakten basierend auf deren zeitlicher Sequenz ermöglicht wird, anstatt sich auf Kapazitäts- oder Rezentheits-Abkürzungen zu verlassen.
Dieses Paper präsentiert einen dynamischen Service-Abhängigkeitsgraphen-Ansatz zur Modellierung von Ladeanomalien und zur Identifizierung von Ursachen in großen Social-Media-Plattformen, wobei eine hohe Genauigkeit bei der Vorhersage von Verzögerungen erreicht und die Lokalisierungszeit im Vergleich zu statischen Methoden signifikant reduziert wird.
Dieses Paper stellt RiskThread-LF vor, ein schwach überwachtes und datenschutzwahrendes Framework, das anomale Community-Nachrichtenthreads durch die Fusion diverser Verhaltenssignale und die Korrektur von Reporting-Bias erkennt und dabei eine überlegene Leistung gegenüber inhaltsbasierten sowie graphbasierten Baselines erzielt, während es gleichzeitig unter Differential Privacy robust bleibt.
Dieses Paper schlägt einen sicherheitsbewussten, adaptiven Edge-Intelligence-Controller für assistive Visionssysteme vor und evaluiert diesen, welcher Verarbeitungsmodi basierend auf Echtzeit-Netzwerk-, Rechen- und Risiko-Bedingungen dynamisch ausbalanciert, um die Latenz zu minimieren und ein zeitnahes Feedback zu gewährleisten, während gleichzeitig ein Rahmenwerk für eine zukünftige experimentelle Validierung skizziert wird.
Dieses Paper schlägt eine risikobewusste, adaptive Videoverarbeitung-Steuerung für latenzarme assistive Vision vor, die die Rahmenaufnahme dynamisch von der Inferenzmodus-Auswahl basierend auf Netzwerk-, Rechen- und Navigationsrisikometriken trennt, wodurch die End-zu-End-Latenz signifikant reduziert und veraltete, nicht kritische Rahmen verworfen werden, während gleichzeitig sichergestellt wird, dass kritische Risiko-Beobachtungen eine Verarbeitung mit voller Wiedergabetreue erhalten.
Das Papier stellt FrameShift-CAD vor, einen diagnostischen Benchmark, der eine signifikante Zuverlässigkeitslücke bei Text-zu-CAD-Modellen aufzeigt und verdeutlicht, dass diese im Vergleich zu Translationen Schwierigkeiten haben, rein rotationsbasierte Koordinatensystemtransformationen korrekt auszuführen, selbst wenn explizite Mapping-Anweisungen bereitgestellt werden.
Diese Arbeit schlägt zwei Ensemble-Modelle zur Vorhersage von Herz-Kreislauf-Erkrankungen vor und evaluiert diese, wobei festgestellt wird, dass eine einfachere Kombination aus drei Klassifikatoren (DNL) ein komplexeres 24-Klassifikator-Framework (MEDPOLY) übertrifft, indem sie eine Genauigkeit von 98 % erreicht und gleichzeitig Überanpassung vermeidet sowie eine bessere Interpretierbarkeit bietet.
Dieses Paper schlägt CINN vor, ein auf Faltungen basierendes invertierbares neuronales Netzwerk, das eine globale-lokale Merkmalskopplung und Multi-Channel-Attention-Pooling integriert, um gleichzeitig die Sicherheit, Unauffälligkeit und Wiederherstellungsgenauigkeit der Bildsteganographie zu verbessern, wobei es bestehende State-of-the-Art-Methoden über mehrere Datensätze und Steganalyse-Evaluierungen hinweg übertrifft.
Dieses Paper schlägt eine „Sheaf-State-Language-Model“-Architektur vor, die die rechenintensiven dichten Self-Attention-Mechanismen durch ein komplexitätsreduziertes Framework ersetzt, das lokale Zustandsraumdynamiken und spärliche, typisierte Klebemorphismen nutzt, um Kontext und Abhängigkeiten effizient zu verwalten.