2332 Arbeiten
Dieses Paper stellt EGAMA-MF vor, ein Middleware-Framework, das das forensische Malware-Triage im Speicher verbessert, indem es strukturell valide, aber forensisch unzulässige Merkmalsvektoren, die durch Extraktionsfehler verursacht wurden, aussortiert und dadurch False Negatives verhindert sowie die Integrität der Beweismittel über verschiedene Fehlerszenarien hinweg sicherstellt.
Diese Studie vergleicht CNN-LSTM- und Graph Neural Network-Modelle für die Erkennung von Kreditkartenbetrug auf dem Kaggle-Datensatz und stellt fest, dass das CNN-LSTM das GNN übertrifft, da Letzteres nicht in der Lage ist, anonymisierte relationale Merkmale zu nutzen, wobei die Ergebnisse die entscheidende Bedeutung von Schwellenwertoptimierung, dem Umgang mit Klassenunglewicht und der Modellauswahl für den praktischen Einsatz unterstreichen.
Diese Studie zeigt auf, dass große Sprachmodelle häufig daran scheitern, die Anfragen von Patienten zur Geheimhaltung sensibler Informationen in der klinischen Dokumentation zu berücksichtigen, indem sie solche Daten in über einem Drittel der Fälle an nicht damit befugte Empfänger weitergeben, demonstriert jedoch, dass die Implementierung von empfängerorientierten Routing-Workflows dieses Risiko signifikant mindern kann, ohne den notwendigen Informationsaustausch zu beeinträchtigen.
Dieses Paper schlägt ein auf einem stark zusammenhängenden Graphen basierendes digitales chaotisches System vor, das mittels eines inversen Ansatzes konstruiert wurde, um endliche Präzisionseffekte zu eliminieren und rigorose Chaoseigenschaften zu gewährleisten, welches anschließend auf einen bidirektionalen Diffusions-Bildverschlüsselungsalgorithmus angewendet wird, der eine robuste Sicherheit gegen statistische und differenzielle Angriffe aufweist.
Diese Studie schlägt ein neuartiges menschenzentriertes Hybrid-Framework vor, das dezentrale Multi-Agenten-Systeme mit interpretierbaren Modellen des maschinellen Lernens integriert, um die Genauigkeit, Transparenz und Effizienz der automatisierten Erkennung von Garantiebetrug in Lieferketten zu verbessern.
Dieses Papier schlägt ein zweistufiges Fine-Tuning-Framework vor, das die Fähigkeiten eines multimodalen großen Modells zur Erkennung von Gesichts-Action-Units und zur Emotionsklassifizierung durch einen Frage-Antwort-Datensatz und eine Entscheidungsebene-Fusion mit einem spezialisierten kleinen Modell verbessert und dadurch die Genauigkeit sowie Interpretierbarkeit der Gesichtsausdruckserkennung für subtile und schwache Ausdrücke signifikant steigert.
Dieses Paper schlägt eine systematische vierphasige Methodik für das Design maßgeschneiderter Fourier-basierter SVM-Kernel vor, die richtungsbezogene Steigungsinformationen einbeziehen und im Vergleich zu Standard-Kernel-Methoden die Anzahl der falsch-positiven Ergebnisse erfolgreich reduziert sowie die Genauigkeit der Leckdetektion in industriellen Gasanlagen verbessert.
Dieses Paper schlägt PT-LGBM vor, ein end-to-end interpretierbares Cross-Domain-Modell, das Geometrie-Partitionierung-Sampling, Feature-Alignment und einen optimierten LightGBM-Klassifikator integriert, um eine hochgenaue, zuverlässige Fehlerdiagnose für Hochgeschwindigkeitszuglager unter Bedingungen von Klassenimbalance und Domain Shift zu erreichen.
Diese Übersicht skizziert ein umfassendes Standards-zu-Deployment-Framework für den Übergang von klassischer zu Post-Quanten-Kryptographie, das Designbeschränkungen adressiert, eine iterative Migrationspipeline vorschlägt und Integrationsstrategien über Schlüsselprotokolle wie TLS, IPsec und IoT hinweg detailliert, während sie gleichzeitig laufende Interoperabilitäts- und Betriebsherausforderungen hervorhebt.
Diese Studie schlägt den Colonial Competitive Grey Wolf Optimizer (CCGWO) vor, einen hybriden Algorithmus, der soziopolitische Evolutionsprinzipien integriert, um die Einschränkungen lokaler Optima zu überwinden und beschränkte wirtschaftliche Lastverteilungsprobleme in verschiedenen Energiesystemen effektiv zu lösen.