974 Arbeiten
Dieses Paper schlägt CD-LHBC vor, eine konsensgesteuerte, leichtgewichtige hierarchische Blockchain für Digital Cousin Networks, die regionale Subchains, eine Koordinationschain und einen dynamischen Digital-Cousin-Konsistenzwert integriert, um eine latenzarme, fehlertolerante Synchronisation über Multi-Region-Umgebungen mit bis zu 25 % bösartigen Knoten zu erreichen.
Dieses Papier präsentiert einen datengesteuerten Ansatz unter Verwendung von Sensornetzwerken und Ensembles aus randomisierten Entscheidungsbäumen, um radioaktive Quellen in komplexen Umgebungen präzise zu detektieren, zu lokalisieren und zu verfolgen, wobei eine überlegene Leistung gegenüber traditionellen Methoden demonstriert wird, während gleichzeitig die Notwendigkeit detaillierter Strahlungstransportmodellierung entfällt.
Dieses Paper schlägt das Quality-Constrained Preference Fading (QCPF) Modell vor, welches die diskrete Diffusions-Empfehlung verbessert, indem es die gleichmäßige Zufallsstichprobenentnahme durch eine qualitätsbewusste Mischverteilung und einen Mechanismus zur Filterung falsch-negativer Ergebnisse ersetzt, um informativere Präferenz-Degradations-Trajektorien zu erzeugen und dadurch die Top-K-Empfehlungsleistung signifikant zu steigern, ohne die Inferenzlatenz zu erhöhen.
Dieses Paper schlägt ein hybrides Modell zur Erkennung von Phishing-URLs vor, das Graph Neural Networks mit Random Forest integriert, um im Vergleich zu traditionellem maschinellem Lernen und alternativen GNN-Ansätzen eine überlegene Genauigkeit und reduzierte Falsch-Positiv-Raten zu erreichen.
Dieses Paper schlägt eine Multi-Agenten-Architektur vor, die LLM-gesteuerte autonome Agenten nutzt, um eine selbstgesteuerte Software-Qualitätssicherung durch die Automatisierung von Testgenerierung, Ausführung, Self-Healing und Defekt-Triage zu ermöglichen, während gleichzeitig kontinuierlich aus historischen Ergebnissen gelernt wird, um die Einschränkungen des traditionellen skriptbasierten Testens zu adressieren.
Dieses Paper schlägt ein hybrides erklärbares Deep-Learning-Framework (HEDLF) vor, das CNN, BiLSTM und Attention-Mechanismen mit Multi-Sensor-Fusion und SHAP-basierter Erklärbarkeit integriert, um eine hochgenaue vorausschauende Wartung sowie physikalische Interpretierbarkeit für industrielle IoT-Systeme zu erreichen, was durch die überlegene Leistung auf den NASA C-MAPSS- und IEEE PRONOSTIA-Benchmarks validiert wird.
Diese systematische Übersichtsarbeit über 22 zwischen 2010 und 2026 veröffentlichte Studien kommt zu dem Schluss, dass lernbare Gabor- und Wavelet-Filter zwar interpretierbare und parametereffiziente Verbesserungen für die mammographische Brustkrebsklassifikation bieten, jedoch eine signifikante Evidenzlücke hinsichtlich ihrer gemeinsamen Integration für die multiklassige radiologische und pathologische Stadieneinteilung besteht.
Dieses Paper schlägt ein Framework für destillierte Edge-Intelligenz vor, das eine zweiphasige Knowledge-Distillation-Strategie mit einem konfidenzbewussten Edge-Cloud-kollaborativen Inferenzmechanismus kombiniert, um eine hochpräzise Detektion von Bolzenfehlern auf ressourcenbeschränkten Mobilfunkmast-Geräten zu erreichen und gleichzeitig die Cloud-Upload-Raten sowie die Latenz signifikant zu reduzieren.
Diese Studie schlägt ein hierarchisches Deep-Learning-Framework vor und validiert dieses, welches die YOLOv8-Detektion mit der DenseNet121-Klassifizierung kombiniert, um eine robuste Erkennung, Typisierung und räumliche Visualisierung von Ananas Krankheiten unter herausfordernden tropischen Realfeldbedingungen zu erreichen, wobei es im Vergleich zu einstufigen Ansätzen eine überlegene Genauigkeit und Konfidenz in Blindfeldtests demonstriert.
Dieses Papier schlägt ein computergestütztes Framework vor, das die Metapher des „Denkens außerhalb der Box“ formalisiert, indem es konzeptionelle Grenzen als geometrische Regionen in einem latenten semantischen Raum definiert und dadurch die Messung kreativer Abweichung durch eine themen-normalisierte geometrische Distanzmetrik ermöglicht.