cs Arbeiten | Gist.Science

EdgeMusicTransformer: A Lightweight Context-Aware Transformer for Efficient Generative AI Deployment under Edge Computing Constraints

Dieses Paper stellt EdgeMusicTransformer vor, eine leichte, kontextsensitive Transformer-Architektur, die für das Edge Computing optimiert ist und eine effiziente symbolische Musikgenerierung mit 2,4 Millionen Parametern erreicht, wobei sie einen Spitzen-Durchsatz von 17.783 Token/s bei einer Kontextlänge von 256 Token erzielt und gleichzeitig eine stabile Speichernutzung sowie hochwertige strukturelle Ergebnisse beibehält.

Yifan Zhang, Xiangyu Wang2026-10-16

💻 Informatik

Edge-Guided Geometry Attention for Iterative Stereo Matching

Das Paper stellt EGA-Stereo vor, ein iteratives Stereo-Matching-Framework, das durch die Integration von Channel-wise Gated Cost Volume Fusion, Geometry-aware Feature Squeeze und Edge-Guided Geometry Modulation Ambivalenz, Informationsverlust und Grenzflächen-Überglättung adressiert, um eine State-of-the-Art-Leistung auf mehreren Benchmarks zu erzielen.

Nan Zhang, Yuqing Liu, Jing Li, Kunzhen Wu2026-10-16

💻 Informatik

Severity-Conditioned Pixel-Wise Asynchronous Diffusion for Semi-Transparent Mural Restoration

Dieses Papier schlägt die Severity-Conditioned Pixel-Wise Asynchronous Diffusion (SC-PAD) vor, ein neuartiges Framework, das die Restaurierung semitransparenter Wandmalereien durch die Schätzung eines kontinuierlichen Schweregradfeldes zur Steuerung des pixelweisen asynchronen Diffusionsfortschritts verbessert und dadurch die Einschränkungen binärer Masken und einheitlicher zeitlicher Modellierung bei der Handhabung räumlich nicht-uniformer Degradationen überwindet.

Yu Wu, Erchao Li, Furui Jia, Jinjiang Zhao, Lei Zhang2026-10-16

💻 Informatik

Enhancing Road Safety with Privacy-Preserving Blockchain-Based Mobile Crowdsensing

Dieses Paper stellt RBCrowd4RS vor, ein auf Blockchain basierendes, privatsphäre-wahrendes Mobile-Crowdsensing-System, das zk-SNARKs für eine anonyme Authentifizierung und ein Gompertz-Reputationsmodell nutzt, um gleichzeitig die Rechenschaftspflicht für Verkehrssicherheitsdaten, die Ununterscheidbarkeit der Mitwirkenden und Echtzeitleistung zu gewährleisten.

Zaina Maqour, Hanan El Bakkali, Driss Benhaddou, Houda Benbrahim2026-10-16

💻 Informatik

Integrating Structural and Semantic Analysis for Code Smell Refactoring Prediction

Dieses Paper schlägt ein Machine-Learning-Framework zur Vorhersage von Code-Smell-Refactoring in Java-Projekten vor und evaluiert dieses empirisch, wobei es zeigt, dass die Kombination traditioneller objektorientierter Metriken mit semantischen und syntaktischen graphenbasierten Embeddings zuverlässige Vorhersagen liefert, indem sie komplementäre Signale erfasst, die über rein strukturelle Metriken hinausgehen.

Andrea Lanza, Matteo Bochicchio, Francesca Arcelli Fontana2026-10-16

💻 Informatik

Regime-First GPU Power Management for Deep Learning: Cross-Hardware Evidence from Power, Performance, and Energy

Diese Arbeit zeigt auf, dass die Reduzierung der GPU-Leistungsbegrenzungen nicht konsistent den Energieverbrauch pro abgeschlossener Aufgabe über verschiedene Hardware-Regime hinweg senkt, und plädiert für einen „Regime-zuerst“-Ansatz, bei dem eine empirische Charakterisierung spezifischer GPU-Workload-Paare vor der Implementierung von Leistungsmanagement-Steuerungen essenziell ist.

D. Venkata Naga Raju, Ravi Kumar Suggala, A. Sri Krishna, Pavan Kumar Vadrevu, Ratna Kanth Gudala2026-10-16

💻 Informatik

Enhancing Interpretability in Credit Risk Modeling: A Synergistic Approach Integrating SHAP and Counterfactual Explanations

Diese Studie schlägt ein synergetisches Framework vor, das SHAP-Werte und kontrafaktische Erklärungen integriert, um die Interpretierbarkeit, Fairness und Handlungsfähigkeit von Kreditrisikomodellen zu verbessern, wobei durch eine empirische Analyse des German Credit Datensatzes nachgewiesen wird, dass dieser Ansatz die Vorhersageleistung effektiv mit ethischer regulatorischer Compliance in Einklang bringt und gleichzeitig die Anzahl der Merkmalsanpassungen reduziert, die für Antragsteller erforderlich sind, um Ergebnisse zu ändern.

Joel Quansah2026-10-16

💻 Informatik

Privacy-Preserving Architecture for On-Device Intelligent Computing Using Small Language Models

Dieses Paper schlägt eine datenschutzwahrende On-Device-Architektur vor und evaluiert diese vorläufig, welche kleine Sprachmodelle mit leichtgewichtigen Sicherheitsmechanismen integriert, um lokale Inferenz durchzuführen und gleichzeitig Risiken wie Prompt-Injection und Datenschutzverletzungen ohne Abhängigkeit von Cloud-Diensten zu mildern.

PRIYANKA AGAVAN2026-10-16

💻 Informatik

Predictive Multi-Objective Energy--Latency Optimization in Cloud Environments Using Ensemble Learning

Dieses Paper schlägt ein prädiktives Multi-Objective-Framework unter Verwendung von Ensemble-Learning vor, um den Kompromiss zwischen Energieverbrauch und Latenz in Cloud-Rechenzentren zu optimieren, wobei durch Trace-gesteuerte Emulation und robuste Generalisierung signifikante Energieeinsparungen und eine verbesserte Stabilität im Vergleich zu statischen und reaktiven Richtlinien nachgewiesen werden.

Ahmed A. M. Warad, Snaa A. ElSawy, Rana Mostafa, Miral Adel, Abdelrahman Farouk, Kareem Kamal A. Ghany2026-10-16

💻 Informatik

Feasible-Space Quantum-Walk Optimization for Atomic Congestion Games Incentive Feasibility and an Eight-Instance Ideal-Statevector Study

Diese Studie vergleicht einen 12-Qubit-QAOA und einen kontinuierlichen Zeit-Quantenspaziergang (CTQW) mit klassischer lokaler Suche bei acht kleinskaligen atomaren Stau-Spielen und zeigt auf, dass der CTQW zwar eine signifikant geringere mittlere Kostendifferenz (8,34 %) als der QAOA (23,22 %) erreicht, indem er eine 100%ige Durchführbarkeit aufrechterhält, die klassische lokale Suche jedoch beide Quantenmethoden beim Finden exakter Optima übertrifft, wobei der Autor betont, dass diese rauschfreien, ressourcenunvergleichbaren Ergebnisse keinen Quantenvorteil demonstrieren.

Parham Ghayour2026-10-16

← Zurück Weiter →