3731 Arbeiten
Diese Arbeit präsentiert eine leistungstragbare SIMD-Beschleunigung von Sparse-Linear-Algebra-Bibliotheken (Ginkgo, PETSc und SLEPc) unter Verwendung von Google Highway auf RISC-V-Hardware, wobei die Abwägungen zwischen Portabilität, Programmierbarkeit und Leistung evaluiert werden, um die zukünftige Einführung auf aufkommenden Open-ISA-Plattformen zu leiten.
Diese Studie zeigt auf, dass aggressives, auf den Vordergrund fokussiertes Patch-Sampling bei der Segmentierung von Straßenrissen unbeabsichtigt die räumliche Unterstützung einschränkt, indem es große Teile des Trainingsbildes unerreichbar macht – ein Defizit, das die Leistung unter Batch-Normalisierung signifikant verschlechtert und dadurch behoben werden sollte, dass das Sampling als eine räumliche Datenselektionsregel anstatt rein als eine Intervention gegen Klassenungleichgewicht behandelt wird.
Dieses Paper schlägt FRAG-Net vor, ein erklärbares Framework der computergestützten Intelligenz, das Conditional Wasserstein GAN zur Generierung synthetischer Minderheitsstichproben, Multi-Head-Attention zur Merkmalsfusion und SHAP zur Interpretierbarkeit kombiniert, um die schwerwiegende Klassenimbalance bei der Frühwarnung von Finanzrisiken effektiv zu adressieren.
Dieses Paper schlägt ein kommunikationseffizientes und robustes Federated-Learning-Framework für IoT-Kamera-Geräte vor, das Top-K-Gradienten-Sparsifizierung, FedProx-Regularisierung und GroupNorm-Normalisierung kombiniert, um gleichzeitig Engpässe in der Uplink-Bandbreite und die durch nicht-identisch verteilte (non-IID) Datenverteilungen verursachte Genauigkeitsdegradation zu adressieren.
Dieses Paper schlägt ein erklärbares und leichtgewichtiges Intrusion-Detection-System für das Internet der Gesundheitsdinge vor, das eine Z-Score-Normalisierung, eine durch den Grey Wolf Algorithm optimierte PCA sowie ein durch den Whale Optimization Algorithm abgestimmtes Deep Belief Network mit SHAP/LIME-Interpretierbarkeit kombiniert, um eine hohe Erkennungsgenauigkeit und einen geringen Rechenaufwand auf Edge-Geräten zu erreichen.
Dieses Paper schlägt eine Deep-Learning-Warmstart-Methode vor, die neuronale Netze nutzt, um präzise Anfangsschätzungen für quadratische Programmierprobleme zu generieren, was die Recheneffizienz von Flugzeugmontagesimulationen innerhalb von Digital-Twin-Frameworks signifikant beschleunigt.
Dieses Paper präsentiert ein offline-basiertes, deterministisches Expertensystem für die Ursachenanalyse in Stahlgießereien, das eine kontrollierte Verifizierung (gated verification), einen separaten Refutationsrichter und strikte Evidenzbeschränkungen einsetzt, um Halluzinationen großer Sprachmodelle zu mildern. Das System schlägt Erkenntnisse zur menschlichen Genehmigung vor (Human-in-the-Loop-Autonomie-Modell). Die Leistungsfähigkeit wurde anhand eines Scorecards im Vergleich zu einer Referenzanalyse evaluiert, wobei zu beachten ist, dass diese Referenzanalyse von einem LLM unter Anleitung der Autoren erstellt wurde und keinen unabhängigen Expertenbericht darstellt. Durch diesen Vergleich stieg die Nennung von Fehlerorten von null auf zwischen 3 und 16 an.
Dieses Paper schlägt ein robustes spatio-temporales Graph-Reinforcement-Learning-Framework vor, das Graph Attention Networks und Transformer-basierte zeitliche Encoder integriert, um Multi-Agenten-Verkehrssteuerungssysteme in die Lage zu versetzen, effektiv zwischen transientem Rauschen und persistenten Störungen zu unterscheiden und dadurch im Vergleich zu aktuellen State-of-the-Art-Baselines einen überlegenen Durchsatz sowie eine schnellere Erholung von strukturellen Ausfällen zu erreichen.
Diese Arbeit stellt fest, dass distributionale Bellman-Operatoren mit beliebigen Multi-Horizont-Potenzgesetz-Gewichten Kontraktionen in der supremalen p-Wasserstein-Metrik sind und die wahre Ertragsverteilung als eindeutigen Fixpunkt bewahren, wodurch eine theoretische Grundlage für die Einbindung von Langzeitgedächtnis-Mechanismen in das distributionale Reinforcement Learning geschaffen wird.
Confidential Pulse ist ein System, das einen sicheren, konversationellen Zugriff auf föderierte Regierungsdatensätze ermöglicht, indem es Antworten aus autorisierten Payloads innerhalb von Hyperledger Fabric-Channels rekonstruiert, wobei sichergestellt wird, dass das System zwar die Offenlegung von Daten außerhalb des zulässigen Rahmens verhindert, jedoch anfällig für Informationslecks durch die generierte Prosa des Modells bleibt.