💻 Category

cs

3773 Arbeiten

💻 Informatik

FedCardioGuard: Quality- and Uncertainty-Aware Personalized Federated Learning with Rare-Class Generalization Audits for ECG Classification

FedCardioGuard ist ein qualitäts- und unsicherheitsbewusstes personalisiertes Federated-Learning-Framework für die EKG-Klassifizierung, das die Makro-F1-Werte und die Kalibrierung auf nicht-identisch verteilten (non-IID) Daten durch Multi-Skalen-Kodierung und adaptive Fusion signifikant verbessert, wenngleich es derzeit aufgrund von Cold-Start- und Score-Transfer-Beschränkungen Schwierigkeiten bei der Erkennung seltener Klassen aufweist.

Sareh Saberi, Abbas Karimi, Faraneh Zarafshan, Javad Akbari Torkestani2026-10-12
💻 Informatik

BCMGF: Feature Interaction with Glyph-Enhanced Representations for Chinese Agricultural Named Entity Recognition

Das Papier schlägt BCMGF vor, ein neuartiges Modell zur Erkennung von benannten Entitäten im chinesischen Agrarsektor, das die Leistung durch die Integration von Strich-Ebene-Glyphenmerkmalen, einem Multi-Level-Feature-Interaktions-Aufmerksamkeitsmodul und adversarialem Training verbessert, um Herausforderungen wie seltene Domänentermini und zweideutige Grenzen effektiv zu bewältigen und dabei Spitzenleistungen sowohl auf Agrar- als auch auf allgemeinen Datensätzen zu erzielen.

Yongqi Zhang, Jinyu Zeng, Chenguang Song, Xue Qi, Bingjing Jia2026-10-12
💻 Informatik

A Design‑Science Proof‑of‑Concept for Constraining LLM Pedagogical Decisions Using Knowledge Graphs

Diese Studie zeigt, dass die Integration von Wissensgraphen mit großen Sprachmodellen durch einen Design Science Research-Ansatz pädagogische Halluzinationen effektiv einschränkt und die logische Validität in der Bildungs-KI durch die proaktive Beschränkung der generativen Aktionsräume mittels symbolischer semantischer Strukturen erzwingt.

Susana Ayu Handayani, Priyo Nugroho Adi, Thomas Köhler, Mochamad Bruri Triyono, Priyanto Priyanto, Siswantoyo Siswantoyo (…)2026-10-12
💻 Informatik

FACT-SR: Faithfulness-Aware Multi-Task Learning for Aspect-Based Sentiment Reasoning

Das Papier schlägt FACT-SR vor, ein skaleninvariantes Multi-Task-Learning-Framework, das das aspektbasierte Sentiment-Reasoning verbessert, indem es Treuebeschränkungen für die Generierung von Begründungen erzwingt und eine neuartige automatische Gewichtslernstrategie einsetzt, um heterogene Ziele auszubalancieren, was zu einer überlegenen Klassifizierungsleistung und Reasoning-Zuverlässigkeit über verschiedene Modellskalen hinweg führt.

shirong cheng, Bei Wu, Xin Zhang, Yahui Wu, Qika Lin2026-10-12
💻 Informatik

Beyond the Leaderboard Average: Cross-Task Consistency, Model Scale, and Specialization Structure in the Massive Text Embedding Benchmark

Diese Arbeit analysiert MTEB-Ergebnisse, um aufzuzeigen, dass leistungsstarke Embedding-Modelle dazu neigen, eine größere Aufgabenkonsistenz als eng optimierte Modelle aufzuweisen, wobei die Modellskalierung allein keine solche Balance garantiert, was zu einer Forderung nach der Angabe der Leistungsdispersion neben den aggregierten Werten für eine bessere Modellauswahl führt.

Zhe Zhang2026-10-12
💻 Informatik

Opening the Black Box or Responding to Demands? Rethinking and Reconstructing the European Standard of Algorithmic Explanation

Dieses Paper kritisiert die Unzulänglichkeiten des aktuellen EU-Standards für algorithmische Erklärbarkeit sowie bestehender Minderungs- oder Substitutionsansätze und schlägt stattdessen einen bedarfsorientierten Rahmen vor, der den Standard durch die Kategorisierung von Erklärungsbedarfen basierend auf Akteurskontrollpunkten rekonstruiert und diese durch praktikable Substitutionsschemata realisiert.

feng zhi2026-10-12
💻 Informatik

Multimodal Depression Detection from Audio, Visual, and Textual Cues: Evaluation of Adaptive Gating versus Naive Concatenation

Diese Studie zeigt, dass während adaptive Gating-Mechanismen während der Kreuzvalidierung überlegen zu sein scheinen, eine einfache Merkmalskonkatenation tatsächlich eine robustere und generalisierbarere Leistung für die multimodale Depressionserkennung bei ungesehenen Teilnehmern liefert, was verdeutlicht, dass ein strenger Generalisierungstest kritischer ist als architektonische Komplexität für kleine klinische Datensätze.

Azhar A. Hadi, Supreethi K.P.2026-10-12
💻 Informatik

Efficient Long-Context Reasoning in Large Language Models: Hierarchical Token Compression with Sparse Attention and Dynamic Memory Management

Das Papier stellt CLEAR vor, ein einheitliches Framework, das hierarchische Token-Kompression, spärliche Attention-Orchestrierung und dynamisches Speichermanagement kombiniert, um effizientes Long-Context-Reasoning in großen Sprachmodellen zu ermöglichen, wobei signifikante Reduktionen der Rechenkomplexität und des Speicherverbrauchs bei gleichbleibend hoher Genauigkeit in Long-Context-Benchmarks erzielt werden.

Babasaheb Satpute, Chaya Jadhav, Rajesh Bharati, Deepak Kshirsagar2026-10-12