2350 Arbeiten
Dieses Paper schlägt vier neue heuristische Techniken vor, einschließlich BEFRA und BEQRA, die unterausgenutzte Informationen über die Kantenfrequenz und -qualität nutzen, um die Leistungsfähigkeit und Robustheit von Ameisenkolonie-Optimierungsalgorithmen zur Lösung des symmetrischen Traveling Salesman Problems signifikant zu verbessern.
Dieses Paper schlägt ein hybrides LSTM–LightGBM-Framework vor, das durch SHAP für die interpretierbare Echtzeit-Erkennung von Multiclass-DDoS-Angriffen in 5G- und IoT-Netzwerken verbessert wurde und eine überlegene Genauigkeit sowie Robustheit über die Datensätze CICIDS2017, CIC-DIAD2024 und CICIoT2023 hinweg demonstriert.
Dieses Paper schlägt ein KI-basiertes Betrugserkennungssystem vor und evaluiert dieses, das speziell für abonnementbasierte Zahlungsdienste entwickelt wurde, wobei es zeigt, dass eine hybride XGBoost+Bi-LSTM-Architektur eine Standalone-Modelle über mehrere Metriken hinweg auf einem synthetischen Datensatz, der sechs verschiedene Betrugstypen abdeckt, übertrifft, während es die Ergebnisse explizit als Proof-of-Concept-Evidenz statt als validierte reale Leistung anerkennt.
Dieses Paper führt das Immunological Synapse Network (ISN) ein, eine neuartige Deep-Learning-Architektur, die von T-Zell-Erkennungsmechanismen inspiriert ist und durch das Filtern transienter Signale mittels kinetischen Proofreadings persistente schwache Anomalien in Zeitreihendaten effektiv detektiert, wobei es Standardmodelle bei Aufgaben übertrifft, die durch temporale Kontinuität statt durch instantane Magnitude definiert sind.
Diese Machbarkeitsstudie bewertet die Leistungsfähigkeit klassischer Modelle des maschinellen Lernens und des Deep Learning bei den Finanzberichten der Abteilung des Controller und Accountant-General von Ghana und zeigt auf, dass ein fein abgestimmtes XGBoost zwar eine perfekte Kategorisierung erreichte, die anschließende Ablationsstudie jedoch verdeutlichte, dass Keyword-Merkmale diese Ergebnisse erheblich aufgebläht haben, was die kritische Notwendigkeit einer strengen Merkmalsvalidierung vor dem Einsatz solcher Werkzeuge im öffentlichen Sektor unterstreicht.
Dieses Paper schlägt Gdlcn–dsbo vor, ein hybrides Framework, das Graph-dependent Labelled Convolutional Networks (GDLCN) und Deep Scheduled Butterfly Optimization (DSBO) kombiniert, um die Multi-Objective-Cloud-Ressourcen- und Aufgabenallokation zu optimieren und dadurch die Systemeffizienz zu steigen, Kosten zu senken und Fairness in dynamischen IoT-Umgebungen zu gewährleisten.
Diese Arbeit schlägt eine Kandidaten-Pattern-Sprache aus sieben Entwurfsmustern für resiliente Datenpipelines in ressourcenbeschränkten kleinen und mittleren Unternehmen vor und evaluiert diese synthetisch, wobei durch Fehlereinspritzungsexperimente nachgewiesen wird, dass diese Muster spezifische Fehlermodi – wie Duplikate, Schema-Drift und stilllosen Datenverlust – im Vergleich zu Standard-Baselines effektiv adressieren, während gleichzeitig die Einschränkungen der Studie als prototypbasierter, nicht im Feld validierter Beitrag explizit berücksichtigt werden.
Diese Studie zeigt, dass die Wahl des Large Language Model Raters die gemessene Treue und die Einhaltung von Sicherheitsstandards in KI-generierten biomedizinischen Zusammenfassungen signifikant beeinflusst, wobei verschiedene Modelle Fehlerraten produzieren, die um den Faktor vier variieren, und zu divergierenden Schlussfolgerungen über die Qualität der Zusammenfassungen führen.
Dieses Paper stellt Dec-GRPO vor, ein Byzantine-robustes dezentrales Group Relative Policy Optimization-Framework, das durch die Integration von Reference-Logit-Filterung, reputationsgewichteter Selektion, Multi-Krum-Aggregation und adaptiven, längengestraften Vorteilen gegen Domain-Poisoning- und Reasoning-Inflation-Angriffe verteidigt.
Diese Arbeit zeigt, dass ein persistenter geteilter Zustand in modularen rekurrenten Systemen selektiv vorteilhaft statt universell überlegen ist, indem er spezifisch dann kritisch notwendig wird, wenn aufgabenrelevante Informationen sowohl modulare Grenzen überschreiten als auch nach dem Ende ihrer externen Verfügbarkeit fortbestehen müssen.