2332 Arbeiten
Dieses Paper schlägt ein hardness-aware kernelisiertes kontrastives Lernframework zur Vorhersage des Gehirnalters aus T1-gewichteten MRT-Aufnahmen vor, das bestehende Methoden verbessert, indem es Repräsentations-Label-Inkonsistenzen in altersähnlichen Paaren explizit betont und so eine überlegene Genauigkeit sowie eine robuste Einbettungsorganisation über Multi-Site-Datensätze hinweg erreicht.
In einer groß angelegten Studie mit fast 90.000 stationären Aufnahmen übertrafen strukturierte digitale Labormerkmale die klinischen Freitextdaten bei der Vorhersage von Leberversagen signifikant, was zeigt, dass objektive numerische Daten die diagnostischen Kriterien dieser Erkrankung weitaus effektiver erfassen als narrative klinische Notizen.
Dieses Paper stellt HBMDS vor, die erste formal spezifizierte und reproduzierbar evaluierte Browser-Extension-Architektur zur Echtzeit-Erkennung von Prüfungsbetrug, welche ihre 98–100 %ige Genauigkeit, eine Latenz von unter 500 ms sowie einen geringen Ressourcenverbrauch empirisch benchmarkt, um Institutionen eine evidenzbasierte Alternative zu Anbieterbehauptungen für BYOD-kompatibles Proctoring zu bieten.
Dieses Paper schlägt ein leichtgewichtiges Dual-Path-Netzwerk mit dynamischer Destillation vor, um die Herausforderungen bei der industriellen LED-Defekterkennung zu bewältigen, wobei durch adaptive hierarchische Fusion und ein zweistufiges Wissenstransferschema eine hohe Genauigkeit und Generalisierung auf unbalancierten Datensätzen erreicht wird.
Diese Arbeit präsentiert und validiert eine generalisierbare, durch Menschen verifizierte Methode, die Zeichenebenen-, thematische und Transformer-basierte Ähnlichkeitsmaße kombiniert, um PhD-Dissertationsmetadaten zuverlässig mit OpenAlex-Autorenprofilen zu verknüpfen, wobei eine hohe Genauigkeit bei der Verfolgung akademischer Karriereverläufe erreicht wird und offenbart wird, dass etwa 17,3 % der nordamerikanischen PhD-Absolventen nicht mit nachfolgenden Publikationen verknüpft werden können.
Das Papier stellt SIMPLETES vor, ein Framework, das die KI-gestützte wissenschaftliche Entdeckung strukturiert, indem es Evaluationssignale über iterative Trajektorien hinweg organisiert und Historien selektiv wiederverwendet, wodurch ein einzelnes Open-Source-Modell State-of-the-Art-Ergebnisse in 28 verschiedenen wissenschaftlichen Domänen erzielt und sich durch ergebnisbasiertes Post-Training weiter verbessert.
Dieser narrative Review analysiert systematisch 100 Studien zum Multi-Depot Vehicle Routing Problem (MDVRP), die zwischen 2021 und 2026 veröffentlicht wurden, und hebt die Entwicklung des Feldes hin zu komplexen realen Randbedingungen wie Zeitfenstern und Nachhaltigkeit, die Dominanz von hybriden Metaheuristiken neben aufkommenden lernbasierten Methoden sowie den inkonsistenten Zustand der Benchmarking-Praktiken hervor.
Diese Arbeit schlägt eine hybride t-SNE-UMAP-Optimierungsmethode vor, die die Graphstruktur von UMAP nutzt, um die lokale Nachbarschaftserhaltung von t-SNE zu initialisieren und zu verstärken, was zu statistisch signifikanten Verbesserungen der Vertrauenswürdigkeit (Trustworthiness) und des Nachbarschafts-Recall über neun Datensätze hinweg führt, trotz eines Kompromisses bei der Dichteerhaltung.
Dieses Paper schlägt ein trainingsfreies Framework vor, das dichte monokulare Tiefen-Priors mit spärlichen, hochkonfidenten Stereo-Geometrie-Ankern mittels kreuzmodaler Skalenanpassung und kantenbewusster Propagation fusioniert, um eine robuste Zero-Shot-Tiefenwahrnehmung zu erreichen, die bestehende Methoden in der Genauigkeit von Kantenregionen übertrifft.
Das Papier schlägt ADF-Pose vor, ein agentengesteuertes Framework, das einen Identity Prior Extractor und einen Multimodal Identity Converter umfasst, um die Identität des Gesichts sowie feine Details bei der pose-gesteuerten Personengenerierung effektiv zu bewahren, insbesondere bei großen Posenvariationen, bei denen bestehende Methoden Schwierigkeiten haben.