929 Arbeiten
Dieses Paper schlägt DP-DCGAN vor, ein durch Differential Privacy verbessertes Deep Convolutional Generative Adversarial Network, das adaptives Gradienten-Clipping und Rauschinjektion einsetzt, um eine überlegene Balance zwischen Datenschutz und qualitativ hochwertiger Bildsynthese auf Standarddatensätzen zu erreichen.
Dieses Paper führt eine KI-gestützte adaptive Lastverteilungsfunktion für CloudSimPlus ein, die ein vortrainiertes Entscheidungsbaummodell nutzt, um basierend auf Echtzeitmetriken und benutzerdefinierten Zielen die am besten geeignete Strategie aus einem einheitlichen Framework von Richtlinien dynamisch auszuwählen und dadurch die Effizienz und Entscheidungsfindung in dynamischen Cloud-Umgebungen zu verbessern.
Dieses Paper argumentiert, dass die Priorisierung einer starken Modell-Generalisierung zur Vermeidung von Overfitting eine effektivere Strategie zur Abmilderung von Membership- und Attribute-Inference-Angriffen in SDN-IoT-Intrusion-Detection-Systemen ist als das alleinige Vertrauen auf Differential Privacy, indem es ein hybrides AOPRF-XGBoost-Kaskadenmodell vorschlägt, um eine hohe Erkennungsgenauigkeit bei gleichzeitiger Wahrung der Privatsphäre zu erreichen.
Dieses Paper schlägt LA-MOCHS vor, ein lebensdauerbewusstes evolutionäres Framework, das die multi-objektive Auswahl von Cluster-Köpfen in unterwasserbasierten drahtlosen Sensornetzwerken adressiert, indem es die Servicekapazität als ein submodulares Einflussmaximierungsproblem modelliert und dadurch durch belastungsbewusste Bereitstellungsstrategien anstelle von Ein-Runden-Optimalität eine überlegene langfristige Netzwerk-Nachhaltigkeit erreicht.
Dieses Paper präsentiert ein datenschutzwahrendes, ressourcenbeschränktes Framework für die frühzeitige Vorhersage von Studierendenrisiken, das kalibrierte XGBoost-Modelle, SHAP-basierte Erklärbarkeit und eine budgetbewusste agentische Interventionsschicht integriert, um eine präzise, interpretierbare und konforme Entscheidungsfindung zu gewährleisten und gleichzeitig Machine Unlearning zu unterstützen.
Dieses Paper stellt CerebroTune vor, eine neuartige, bio-inspirierte hybride Metaheuristik, die zelluläre Automaten, einen modifizierten Artificial Bee Colony Algorithmus sowie Reinforcement Learning mit Hopfield-Netzwerken integriert, um Hyperparameter des Deep Learning dynamisch zu optimieren und dabei im Vergleich zu bestehenden Methoden eine überlegene Genauigkeit, reduzierte Rechenkosten und eine verbesserte Stabilität über verschiedene Domänen hinweg zu erreichen.
Dieses Papier schlägt einen verbesserten Goldminen-Optimierungsalgorithmus mit einem dualen Schicht-Informationsaustausch-Framework und dynamischer Pareto-Dominanz (IGMO-DP) vor, um das Multi-Objective-Scheduling-Problem heterogener UAV-Schwärme durch die gleichzeitige Optimierung von Missionsabschlusszeit, Energieverbrauch und Lastverteilung effektiv zu lösen, wobei eine überlegene Konvergenz und Lösungsdiversität im Vergleich zu aktuellen State-of-the-Art-Algorithmen nachgewiesen wird.
Dieses Papier argumentiert, dass die traditionelle, auf Zitaten basierende Metrik für den wissenschaftlichen Einfluss in einer Ära entbundelter Zeitschriften und KI-vermittelten Wissenszugangs obsolet wird, was ein neues System erforderlich macht, das die Beiträge von KI-Engagement, Open-Source-Bibliotheken und Datensätzen, denen formale Publikationen fehlen, anerkennt und misst.
Dieses Paper schlägt eine warteschlangenbewusste Task-Offloading-Methode für das Computing Continuum vor, die eine analytisch korrigierte G/G/c-Verzögerungsapproximation mit Echtzeit-Warteschlangenerfassungen hybridisiert, um Aufgaben unter variablen Arbeitslasten dynamisch zuzuweisen, wodurch die Latenz und den Schätzfehler im Vergleich zu bestehenden Baselines signifikant reduziert wird, ohne dass ein Training oder eine Kalibrierung erforderlich ist.
Dieses Paper schlägt DPENet vor, ein dynamisches Wahrnehmungsverbesserungsnetzwerk, das adaptive dynamische Konvolution, deformierbare Aufmerksamkeit und dynamische Sampling-Module integriert, um Herausforderungen wie variierende Zielgrößen, dichte kleine Objekte und komplexe Hintergründe in der hochauflösenden Fernerkundungsbilddetektion effektiv zu adressieren.