964 Arbeiten
Dieses Paper schlägt ein leichtgewichtiges, auf der Extraktion tiefer räumlich-zeitlicher Merkmale basierendes Dual-Attention-EEGNet-Framework (CSFE-DAE) vor, das Common Spatial Patterns mit Dual-Attention-Mechanismen kombiniert, um eine State-of-the-Art-Genauigkeit von 97,59 % bei der Erkennung der Parkinson-Krankheit auf EEG-Signalen zu erreichen.
Diese Studie nutzte ein Four-D-Entwicklungsmodell, um ein KI-basiertes Lernmanagementsystem für Grundschulen zu erstellen und zu validieren, welches von Experten als hochgradig machbar und effektiv bei der Förderung der informatischen Denkfähigkeiten der Schüler, insbesondere in den Bereichen Zerlegung, Abstraktion und Algorithmen, eingestuft wurde.
Dieses Paper schlägt ein Feature-Adaptive Fusion Hybrid Quantum-Classical Neural Network (FAF-HQNN) vor, das klassische und Quanten-Vorhersagen dynamisch gewichtet, um eine überlegene Genauigkeit und Robustheit gegenüber Rauschen bei biomedizinischen Bildklassifizierungsaufgaben zu erreichen.
Das Papier schlägt ACDGRec vor, ein robustes Empfehlungsmodell, das adversatives Training und kontrastives Lernen in ein diffusionsbasiertes Graph-Neurales Netzwerk integriert, um Datenknappheit, Kaltstart-Probleme und Instabilität der Eingabedaten effektiv zu adressieren, indem latente Korrelationen des Nutzerkontexts erfasst werden.
Dieses Paper schlägt ein NDN-bewusstes kooperatives Multi-Agent Deep Deterministic Policy Gradient (MADDPG)-Framework vor, das dezentrales Lernen und spezialisierte Zustandsrepräsentationen nutzt, um Cache-Pollution-Angriffe in Named Data Networking effektiv zu mildern, wobei es im Vergleich zu Single-Agent- und konventionellen Ansätzen eine überlegene Cache-Effizienz, schnellere Konvergenz und erhöhte Resilienz demonstriert.
Dieses Paper schlägt ein Linear Mapping-Enhanced Proximal Policy Optimization (LME-PPO) Framework vor, das tiefes verstärkendes Lernen nutzt, um das dynamische Lastmanagement zu optimieren und die Systemlatenz in Smart-City-Edge-Computing-Umgebungen zu reduzieren, indem es komplexe Aufgabenräume effektiv abbildet und ein Rechengleichgewicht über Edge-Server hinweg sicherstellt.
Dieses Paper schlägt ein Multi-Agenten-Reinforcement-Learning-Framework mit spieltheoretischen Anreizen vor, um Konsens unter autonomen, lernenden Blockchain-Teilnehmern zu erreichen, wobei nachgewiesen wird, dass die Strategien zu gerechten und adversariellen-toleranten Gleichgewichten konvergieren, während gleichzeitig spezifische architektonische Einschränkungen identifiziert und theoretische Konvergenzgarantien verfeinert werden.
Diese Studie nutzt Strukturgleichungsmodelle, um aufzuzeigen, dass KI-gestützte Cybersicherheitsbewusstsein und digitale Kompetenz zwar die Einführung von KI-basierten Cybersicherheitssystemen signifikant fördern, Vertrauen in diese Systeme jedoch keinen direkten Einfluss auf die Verhaltensabsicht hat, was die kritische Notwendigkeit unterstreicht, dass Organisationen der Entwicklung von Cybersicherheitsbewusstsein und digitaler Kompetenz gegenüber der alleinigen Vertrauensbildung Vorrang einräumen sollten.
Dieses Paper stellt DustFormer vor, ein auf Deep Learning basierendes Encoder-Decoder-Framework, das gleichzeitig Staubsegmentierung und Dichteschätzung in RGB-Bildern durchführt und dabei eine hohe Genauigkeit sowie Robustheit für Anwendungen in der Umweltüberwachung, Präzisionslandwirtschaft und intelligenten Sensorik erreicht.
Dieses Paper schlägt eine gerichtete symbolische Ausführungsmethode vor, die durch automatische Symbolisierung und Loop-Bounding-Strategien verbessert wurde, um die Durchführbarkeit interprozeduraler Kontrollflusspfade effizient zu verifizieren, wobei sie im Vergleich zu bestehenden Tools wie KLEEF bei der Anwendung auf reale Projekte und die Integration statischer Analysen eine überlegene Recall- und Precision-Rate demonstriert.