974 Arbeiten
Dieses Paper stellt SBC-AND vor, einen kuratierten Datensatz aus 442 portugiesischen wissenschaftlichen Publikationsdatensätzen, der darauf ausgelegt ist, die Unterrepräsentanz nicht-englischer Sprachen in der Forschung zur Autorennamen-Disambiguierung zu adressieren und als anspruchsvoller Benchmark für die Evaluierung multilingualer Disambiguierungsmodelle zu dienen.
Dieses Paper schlägt ein zustandsbewusstes multimodales Empfehlungsranking-Modell für den grenzüberschreitenden E-Commerce vor, das kurzfristige Verschiebungen der Nutzerintention über sechs Betriebszustände hinweg explizit modelliert und auf dem neu eingeführten 42-Millionen-Datensatz CEMR-42M im Vergleich zu bestehenden Baselines eine überlegene Leistung bei kategoriesübergreifenden und niederfrequenten Artikel-Empfehlungen erzielt.
Diese Studie führt das MDQ-3L-Framework ein, um klassische, tiefe und Quanten-Maschinelle-Lernmodelle für die Luftverschmutzungsvorhersage zu benchmarken, wobei aufgezeigt wird, dass klassische Modelle wie CatBoost und DBN unter NISQ-Beschränkungen derzeit Quantenansätzen übertreffen, das vorgeschlagene Multi-Metrik-Bewertungssystem jedoch effektiv strukturelle Limitationen identifiziert und die Auswahl von Quantenschaltkreisen mit geringer Verschränkung für die zukünftige hybride Umweltmodellierung leitet.
Dieses Paper schlägt die Verwendung eines ressourcenarmen CUT-GAN vor, um synthetische Mammographie-Patches für das Training von Deep-Learning-Modellen in ressourcenbeschränkten Umgebungen zu generieren, wobei gezeigt wird, dass synthetische Daten zwar die Modellleistung im Vergleich zu gar keinen Daten verbessern, derzeit jedoch eine geringere Genauigkeit (0,751 AUC) aufweisen als das Training mit echten Bildern (0,913 AUC).
Dieses Paper präsentiert eine synthetisierbare fünfstufige RV32IM-Pipeline mit einem integrierten gshare-Branch-Predictor und einer hostunabhängigen On-FPGA-VGA-Visualisierungseinheit, die eine 2,33-fache Leistungssteigerung gegenüber einer statischen Baseline erzielt und gleichzeitig Echtzeit-Pipeline-Introspektion sowie bitgenaue funktionale Verifizierung ermöglicht.
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.