974 Arbeiten
Dieses Paper schlägt ADEST-U-Net vor, eine Dual-Encoder-Architektur, die Cross-Organ- und Cross-Modality-Transferlearning von MRT-Hirntumormodellen nutzt, um die Genauigkeit der Lebertumorsegmentierung in CT-Scans unter datenarmen Bedingungen signifikant zu verbessern und die Anzahl der falsch-positiven Ergebnisse zu reduzieren.
Dieses Paper präsentiert ein Five-Agent-Generative-AI-Framework, das technische, fundamentale und Sentiment-Analysen mit Anomalieerkennung und LLM-basierter Argumentation integriert, um erklärbare, konfidenzbewusste Aktienmarktprognosen für indische Aktien zu liefern und dabei eine Richtungsgenauigkeit von 72 % sowie einen Agenten-Konsens von 78 % erreicht.
Dieses Paper präsentiert ein Software-Framework für das anthropozentrische Dispatch-Management in Bildungsumgebungen der Industrie 5.0, das chronotypbewusste Optimierung, adaptive Kriteriengewichtung und intelligente Entscheidungsunterstützung integriert, um die Dienstplanqualität, das Wohlbefinden der Studierenden sowie die akademischen Ergebnisse signifikant zu verbessern und gleichzeitig Fairness über alle Teilnehmergruppen hinweg zu gewährleisten.
Dieses Paper präsentiert das AgileOps Agentic Framework (AAF), ein Multi-Agenten-Entscheidungsunterstützungssystem, das spezialisiertes DevOps-, SRE-, FinOps- und DevSecOps-Reasoning mit erklärbarer, evidenzbasierter Analyse integriert, um Projektmanagern dabei zu helfen, fragmentierte operative Telemetrie in handlungsrelevante Governance-Empfehlungen zu interpretieren, validiert durch kontrollierte Szenarien und reale Microservice-Benchmarks.
Dieses Paper stellt SWIFT vor, ein gradientenfreies White-Box-Framework, das chirurgisch spärliche Steuerungsvektoren in die tiefen kritischen Schichten ausgerichteter Large Language Models injiziert, um unterdrückte Fähigkeiten mit hoher Auditierbarkeit, Revertierbarkeit und Lokalität wiederherzustellen und dabei eine nahezu vollüberwachte Fine-Tuning-Leistung in unter 10 Sekunden zu erreichen, während weniger als 1 % der Parameter modifiziert werden.
Dieses Paper schlägt LADMF vor, ein einheitliches Framework, das durch die Integration von LLM-augmentierter Wissensgraph-Argumentation mit disentangled Multimodal Fusion und counterfactual causal Attention die Genauigkeit der E-Commerce-Konversionsvorhersage signifikant verbessert und menschenlesbare, treue Erklärungen generiert.
Dieses Paper präsentiert eine systematische schichtweise Analyse von feinabgestimmten IndoBERT-Modellen zur Erkennung indonesischer Desinformation, die eine konsistente dreiphasige Repräsentationsentwicklung offenlegt, bei der kritische hoax-bezogene Merkmale in den mittleren Schichten gebildet und in den oberen Schichten konsolidiert werden, während gleichzeitig die unterschiedlichen funktionalen Rollen zwischen [CLS]- und Mean-Pooled-Repräsentationen hervorgehoben werden.
Dieses Paper schlägt DLMC_Net vor, ein neuartiges Deep-Learning-Framework, das ein maßgeschneidertes CNN, ein adaptives Self-Attention-Modul und Borderline-SMOTE kombiniert, um eine State-of-the-Art-Genauigkeit (99,92 %) bei der Multi-Class-Malware-Klassifizierung mittels Bytecode-Bildern zu erreichen und damit etablierte Baseline-Modelle signifikant zu übertreffen.
Dieses Paper führt ein generatives Agenten-Framework ein, das das Phänomen des „Quiet Quitting“ erfolgreich simuliert und quantifiziert und aufzeigt, dass Strategien zur Bindung die Fluktuationsabsicht zwar signifikant reduzieren, deren Wirksamkeit jedoch entscheidend durch Persönlichkeitsmerkmale der Mitarbeiter moderiert wird, wodurch ein computergestütztes Testfeld für präzisionsorientiertes Krisenmanagement etabliert wird.
Diese Arbeit zeigt auf, dass Anweisungen in natürlicher Sprache unter verborgenen operativen Anforderungen fragil sind, wobei sie offenlegt, dass generisches Prompting fehlschlägt, wenn ausgelassene Nebenbedingungen nicht erfüllt werden, während die Leistung signifikant steigt, wenn diese Nebenbedingungen explizit hervorgeholt und ausgeführt werden.