2354 Arbeiten
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.
Dieses Paper stellt X-CoLA vor, das erste Post-hoc-Erklärbarkeitsframework für kontrastive Graph-Anomalieerkennung, welches Gradient Attention Maps in das CoLA-Modell integriert, um die spezifischen strukturellen Verbindungen und Merkmalsdimensionen zu identifizieren, die die Anomalieentscheidungen vorantreiben, ohne die Erkennungsleistung zu beeinträchtigen.
Dieses Paper schlägt ein hierarchisches Deep-Reinforcement-Learning-Framework vor, das eine verbesserte, auf einem künstlichen Potenzialfeld basierende dichte Belohnungsfunktion mit dem Multi-Agent Deep Deterministic Policy Gradient (MADDPG)-Algorithmus integriert, um eine effiziente und optimale 3D-Pfadplanung für mehrere UAVs in unbekannten Umgebungen mit komplexen Hindernissen zu erreichen.
Diese experimentelle Studie zeigt, dass differenzielles Fuzzing ein praktischer, sprachunabhängiger Ansatz ist, um äquivalente Mutanten über diverse reale Softwareprojekte hinweg effizient zu identifizieren und zu unterdrücken, wobei nahezu perfekte Mutationsraten erzielt und zugleich handlungsrelevante Eingaben zur Stärkung traditioneller Testsuiten generiert werden.
Dieses Paper schlägt das Hybrid Copula Bayesian Network (HCBN) vor, einen neuartigen Algorithmus, der durch die Integration von Laplacischer Spektralanalyse mit einem Regular Vine Copula-Framework zur Erzielung einer überlegenen Log-Likelihood und Modellkomplexitätskontrolle im Vergleich zu bestehenden Methoden Strukturen von Bayesschen Netzen aus gemischten Datentypen ohne Transformation erlernt.
Dieses Paper schlägt CWMAN-EEG vor, ein bedingt gewichtetes Multi-Source-Adversarial-Netzwerk, das die Herausforderungen der subjektübergreifenden EEG-Emotionserkennung adressiert, indem es gemeinsame und individualisierte Merkmale trennt und Quellendomänen basierend auf der Verteilungsähnlichkeit adaptiv gewichtet, um eine State-of-the-Art-Leistung auf den SEED- und SEED-IV-Datensätzen zu erzielen.
Diese Studie zeigt, dass die Gated Recurrent Unit (GRU) sowohl Machine-Learning-Modelle als auch andere Deep-Learning-Architekturen bei der Prognose der vietnamesischen Robusta-Kaffeeexportpreise während einer Periode schwerwiegender struktureller Brüche signifikant übertrifft, während sie gleichzeitig methodische Einschränkungen transparent adressiert und handlungsrelevante Risikoparameter für Termingeschäfte bereitstellt.
Dieses Paper präsentiert ein neuartiges, von der Robotik inspiriertes Tri-Metaheuristik-Framework, das mit neuromorpher Edge-Intelligenz integriert ist und die Echtzeit-Verarbeitung multimodaler biomedizinischer Signale optimiert, um eine hohe diagnostische Genauigkeit sowie einen ultra-niedrigen Stromverbrauch zu erreichen, was ein kontinuierliches 72-stündiges Wearable-Monitoring ermöglicht und die klinische Entscheidungsunterstützung für die Früherkennung von Krankheiten signifikant verbessert.
Dieses Paper schlägt EC-ARAG vor, ein evidenzbasiertes, agentenbasiertes Retrieval-Augmented-Generation-Framework, das durch die Integration von regelungskonformer Abfrage, Konfliktlösung und dualen Verifizierungsschleifen die Zuverlässigkeit, Konsistenz und Effizienz der vorläufigen Entwurfsgestaltung im Bereich des Umspannwerks-Bauingenieurwesens signifikant verbessert und konventionelle RAG-Systeme übertrifft.