3729 Arbeiten
Dieses Paper etabliert eine allgemeine rigorose Theorie und einen effizienten Algorithmus für das verschachtelte Kaskadieren von elektrooptischen Gattern in gerichteter Logik und demonstriert dabei, dass die Skalierbarkeit für viele wichtige Fälle linear und im Durchschnitt moderat polynomiell ist, jedoch für allgemeine Boole’sche Schaltungen mit geteilten Zwischenergebnissen exponentiell bleibt.
Dieses Papier präsentiert ein adaptives, unüberwachtes Machine-Learning-Framework, das Baselines dynamisch rekalibriert, um Anomalien in alternden industriellen Anlagen unter variierenden Betriebsbedingungen effektiv zu detektieren, wobei ohne die Notwendigkeit markierter Fehlerdaten eine 100%ige Recall-Rate und eine durchschnittliche Vorwarnzeit von 72 Stunden in einem realen HDPE-Polymerisationsprozess erreicht wird.
Dieses Paper führt MUESCA ein, ein mehrgenrespezifisches spanisches Korpus und ein Annotationsschema, das Subjektivität entlang eines Kontinuums mithilfe pragmatischer Merkmale quantifiziert und zeigt, dass die Kombination dieser Merkmale mit Transformer-Modellen die Erkennung von Subjektivität signifikant verbessert, insbesondere für hybride Nachrichtentexte.
Diese Studie zeigt auf, dass virtuelle Agenten als intelligenter und vertrauenswürdiger wahrgenommen werden, wenn ihr Aussehen und ihre Sprache einander widersprechen (z. B. intelligent aussehen, aber unintelligent sprechen, oder umgekehrt), als wenn beide Faktoren konsistent Intelligenz vermitteln.
Dieses Paper schlägt SAFE CHA vor, ein hybrides konversationelles Gesundheitsagenten-Framework, das große Sprachmodelle, Fuzzy-Logik und Reinforcement Learning integriert, geleitet durch die Selbstbestimmungstheorie und optimierte Nebenbedingungen, um eine sichere, empathische und personalisierte Unterstützung der psychischen Gesundheit zu leisten, während gleichzeitig die Anpassungsfähigkeit mit strengen Sicherheitskontrollen in Einklang gebracht wird.
Dieses Paper schlägt das X-WMHEA-Modell vor, ein interpretierbares Deep-Learning-Framework, das HSIC-LASSO zur Merkmalsauswahl, TabM für die Klassifizierung und SHAP für die Erklärbarkeit integriert, um die psychische Gesundheit und das Empowerment von Frauen unter Verwendung psychosozialer Faktoren präzise zu bewerten, wobei eine hohe Genauigkeit auf Depressionsdatensätzen erzielt und gleichzeitig transparente Einblicke in die maßgeblichen Einflussvariablen bereitgestellt werden.
Dieses Paper schlägt RSDQ-Net vor, ein referenzbewusstes spatiotemporales Netzwerk, das heterogene Tanzdaten in ein kanonisches Skelett vereinheitlicht, um räumliche Ausführungs- und zeitliche Phasenabweichungen separat zu modellieren und so eine State-of-the-Art-Leistung bei der automatischen Bewertung der Qualität von Tanzbewegungen über mehrere Datensätze hinweg zu erreichen.
Dieses Paper führt die „Calibration Transfer Gap“ ein, um zu demonstrieren, dass unter Verteilungsschifts die angepassten Parameter von Rekalibrierungsmethoden oft nicht effektiv auf Zieldomänen übertragbar sind, ein Phänomen, das durch Parameterdrift und nicht identifizierbare Konfidenz-Genauigkeits-Beziehungen getrieben wird, was ein einfaches Refitting bei kleinen Ziel-Label-Budgets häufig schädlich macht.
Dieses Paper schlägt ein sensitivitätsgesteuertes Framework vor, das blockweise gemischte Präzisionsquantisierung mit adaptiver Low-Rank-Adaption kombiniert, um große Sprachmodelle effizient zu komprimieren und dabei die Downstream-Performance sowie die Perplexität im Vergleich zu FP16-Baselines zu erhalten oder sogar zu verbessern.
Dieses Paper stellt FOCUS vor, ein Framework zur Domänenverallgemeinerung, das die Robustheit von Modellen durch die Entkopplung von aufgabenrelevanten und domänenspezifischen Merkmalen mittels Mutual-Information-Regularisierung verbessert und zeigt, dass während sowohl Upper-Bound- (CLUB) als auch Lower-Bound-Schätzer (MINE) die Leistung effektiv steigern, der primäre Nutzen aus der Entkopplungsstrategie selbst und nicht aus der Wahl des spezifischen Schätzers resultiert.