3533 Arbeiten
Das Forschungsprojekt MediTools nutzt Large Language Models, um die medizinische Ausbildung durch interaktive Tools wie dermatologische Fall-Simulationen, KI-gestützte Literaturrecherche und Nachrichten-Zusammenfassungen zu revolutionieren und klinische Fähigkeiten zu verbessern.
Dieser Artikel stellt eine Taxonomie für Push- und Pull-Kommunikation in 6G-Systemen vor, entwickelt zielgerichtete MAC-Protokoll-Richtlinien und skizziert einen Rahmen für deren koexistierende Integration in O-RAN-Architekturen.
Die Autoren stellen ein neuartiges, auf Punktwolken basierendes Instanzvollendungsmodell vor, das durch die Integration von Szenenbeschränkungen über einen Cross-Attention-Mechanismus und die Einführung des neuen Datensatzes ScanWCF Objekte in komplexen Szenen präziser und plausibler vervollständigt als bisherige Methoden.
Die vorgestellte Arbeit stellt LEL vor, ein Ensemble-Lernframework, das durch Lipschitz-Stetigkeitsbeschränkungen in Transformer-Architekturen die Stabilität, Genauigkeit und Robustheit der EEG-basierten Emotionserkennung innerhalb einzelner Probanden signifikant verbessert.
Der Artikel stellt GeoNav vor, einen multimodalen Agenten, der durch die Kombination von globalen kognitiven Karten und lokalen Szenengraphen sowie einem räumlichen Chain-of-Thought-Mechanismus MLLMs befähigt, die Erfolgsrate bei der sprachgesteuerten UAV-Navigation in komplexen städtischen Umgebungen signifikant zu steigern.
Die Arbeit stellt einen auf die Aufgabe ausgerichteten semantischen Kompressionsrahmen vor, der mittels eines orthogonally eingeschränkten variationalen Informationsflaschenhals-Encoders (O-VIB) redundante Merkmale eliminiert, um mobile Plattformen bei der präzisen visuellen Lokalisierung in GPS-limitierten städtischen Umgebungen unter strengen Bandbreitenbeschränkungen zu unterstützen.
Die Studie vergleicht Bayesian Optimization, exhaustive Search, genetische Algorithmen und stochastischen Gradientenabstieg zur Optimierung der Roboterbasisposition und zeigt, dass alle Methoden die Zykluszeit reduzieren, wobei stochastischer Gradientenabstieg die höchste Erfolgsrate und genetische Algorithmen die niedrigsten Endkosten erzielen.
Die Arbeit stellt SFIBA vor, einen räumlich basierten, unsichtbaren Backdoor-Angriff, der durch die Kombination von Frequenzbereichs-Methoden und morphologischen Einschränkungen eine spezifische und schwer erkennbare Mehrziel-Manipulation von Deep-Learning-Modellen ermöglicht.
Diese Arbeit stellt einen holistischen Optimierungsansatz vor, der die Zusammensetzung, Basisposition und Trajektorie modularer Roboter gemeinsam optimiert, um die Zykluszeit industrieller Aufgaben signifikant zu verkürzen und die Lösbarkeit sowie praktische Einsetzbarkeit im Vergleich zu isolierten Methoden erheblich zu steigern.
Diese Studie stellt einen koordinierten Routing-Ansatz vor, der mithilfe von Echtzeitdaten und Simulationen in SUMO nachweist, wie der dynamische Umleitung von vernetzten und automatisierten Fahrzeugen (CAVs) in Mischverkehrsphasen die Pünktlichkeit von Bussen in eigenen Fahrspuren verbessert und gleichzeitig die Reiseeffizienz der CAVs steigert.
Eine randomisierte Studie mit über 90 Anfängern zeigt, dass ein KI-gestütztes Training, das Simulationen mit strukturiertem Feedback kombiniert, im Vergleich zu reiner Übung die klientenzentrierten Mikrokompetenzen und die Empathie von angehenden Beratern signifikant verbessert.
Die Studie stellt DeepSparse, das erste Foundation-Modell für die Rekonstruktion von Sparse-View-CBCT-Bildern, vor, das durch die innovative DiCE-Netzwerkarchitektur und das HyViP-Vorabtrainingsframework eine überlegene Bildqualität bei reduzierter Strahlenbelastung und verbesserter Generalisierbarkeit im Vergleich zu bestehenden Methoden erreicht.
Die Arbeit stellt HEXGEN-FLOW vor, ein Framework, das durch einen hierarchischen Scheduler und eine adaptive Prioritätswarteschlange die Latenz verringert und den Durchsatz für agentic Text-to-SQL-Anfragen auf heterogenen GPU-Clustern signifikant verbessert.
Die Arbeit stellt M³CAD vor, ein umfassendes Benchmark mit multimodalen Daten von 204 Sequenzen, das als erster spezifischer Standard für die Forschung zu kooperativem, multiaufgabenfähigem autonomen Fahren dient und durch die Einführung einer netzwerkadaptiven Multi-Level-Fusionsmethode die Balance zwischen Kommunikationseffizienz und Wahrnehmungsgenauigkeit verbessert.
Die Arbeit stellt FoldNet vor, ein Framework, das durch die Synthese eines keypoint-basierten synthetischen Datensatzes und den Einsatz des KG-DAgger-Algorithmus für die Fehlerwiederherstellung eine generalisierbare, geschlossene Regelstrategie für das robotergestützte Falten von Kleidungsstücken mit einer realen Erfolgsrate von 75 % ermöglicht.
Die Arbeit stellt Diffusion-SAFE vor, einen geschlossenen Regelkreis auf Basis von Diffusionsmodellen, der durch die Vorhersage menschlicher Absichten und eine sicherheitsgeleitete Denoisierung eine nahtlose und probabilistisch gesicherte Kontrolleübergabe zwischen Mensch und autonomem Fahrzeug ermöglicht.
Die Arbeit stellt MTVCraft vor, ein bahnbrechendes Framework, das erstmals rohe 3D-Bewegungssequenzen (4D-Motion) durch einen speziellen Tokenizer und einen bewegungsbewussten Video-DiT direkt für die Animation beliebiger Charaktere nutzt, wodurch eine überlegene Generalisierung und flexible Steuerung im Vergleich zu herkömmlichen 2D-Pose-basierten Methoden erreicht wird.
Die Studie zeigt, dass bei 34 Finanzexperten, die GPT-4o für komplexe Bewertungsaufgaben nutzten, extrane kognitive Belastung die Leistung stärker beeinträchtigt als intrinsische Belastung, wobei proaktive KI-Eingriffe zwar die Ergebnisqualität steigern, aber bei weniger erfahrenen Nutzern zu einer asymmetrischen Belastung führen, die durch häufige, modellinitiierte Aufgabenwechsel am stärksten negativ beeinflusst wird.
Diese Studie stellt die Adiabatic Quantum Power Flow (AQPF) und Adiabatic Quantum Optimal Power Flow (AQOPF) Algorithmen vor, die die Leistungsfluss- und Optimalleistungsflussprobleme in diskrete kombinatorische Optimierungsmodelle umwandeln, und bewertet deren Skalierbarkeit und Robustheit auf verschiedenen Quanten- und digitalen Annealer-Hardware-Plattformen anhand von Testsystemen bis zu 1354 Bussen.
Diese Arbeit stellt eine neuartige Repräsentation lokaler Proteinumgebungen vor, die auf Zwischenschichten atomarer Grundmodelle basiert und nicht nur Struktur- und chemische Merkmale präzise erfasst, sondern auch den Aufbau datengesteuerter Priors sowie die Entwicklung eines hochpräzisen, physikbasierten Vorhersagemodells für NMR-Chemische Verschiebungen ermöglicht.