1013 Arbeiten
Dieses Paper stellt Res6-Deep11 vor, ein neuartiges unüberwachtes Bildrekonstruktionsmodell, das Ölteppiche in SAR-Bildern effektiv detektiert und segmentiert, ohne dass pixelgenaue Ground-Truth-Labels erforderlich sind, wobei es mit einem F1-Score von 77,33 % eine überlegene Leistung gegenüber dem aktuellen Stand der Technik erzielt.
Dieses Paper stellt DTap vor, die erste steuerbare und interaktive Red-Teaming-Plattform für KI-Agenten, welche einen autonomen Red-Teaming-Agenten (DTap-Red) und einen groß angelegten Benchmark (DTap-Bench) umfasst, um Sicherheitslücken systematisch über 14 reale Domänen hinweg zu bewerten und aufzudecken.
Dieses Paper präsentiert ein skalierbares Framework zur Operationalisierung vertrauenswürdiger KI im Gesundheitswesen durch die Nutzung eines Error Analysis Decision Tree und neuartiger methodischer Innovationen, um verborgene Fehler in Untergruppen aufzudecken und Bias zu mildern, wodurch abstrakte Fairness-Prinzipien in verifizierbare technische Zielsetzungen übersetzt werden, die die Einhaltung von Regulierungen wie dem EU AI Act sicherstellen.
Diese systematische Übersicht über 154 Studien (2021–2025) zeigt auf, dass der Fokus von KI für die IoT/IIoT-Sicherheit zwar stark auf der Intrusion Detection liegt, der aktuellen Forschung jedoch aufgrund mangelnder Labels und Ressourcenbeschränkungen die operative Validität fehlt, was eine Verschiebung hin zu standardisierten, driftbewussten und erklärbaren Deployment-Protokollen erforderlich macht.
Dieses Papier führt die constraint-bewusste Decomposition–Recomposition Process Element Annotation (DR-PEA)-Methode ein, um den Prozess der semantischen Kollaps (Process Semantic Collapse) in großen Sprachmodellen zu mildern, indem unstrukturierter Prozess-Text durch eine dreistufige Pipeline aus semantischer Dekomposition, Prozess-Rekomposition und Constraint-Mapping in standardisierte strukturierte Daten transformiert wird, wobei eine überlegene Leistung gegenüber bestehenden Baselines erzielt wird.
Diese Studie vergleicht die Klassifizierungsgenauigkeit und die Erklärbarkeit-Stabilität von DenseNet121- und Vision-Transformer-Modellen bei Brusthistopathologie-Bildern und zeigt einen kritischen Kompromiss auf, bei dem DenseNet121 eine höhere Genauigkeit und lokalisierte Erklärungen erreicht, während der Vision Transformer eine größere Robustheit der Erklärungen unter Eingabestörungen demonstriert.
Diese Studie präsentiert ein dreiphasiges Deep-Learning-Framework, das eine LSTM-basierte pH-Wert-Vorhersage mit einer Deep-Reinforcement-Learning-Steuerung kombiniert, validiert anhand afrikanischer Bodenprofile unter Verwendung synthetischer Daten, um eine skalierbare und übertragbare Lösung zur Optimierung der Minenreklamation in datenarmen Regionen Subsahara-Afrikas bereitzustellen.
Diese Studie zeigt, dass die Deep-Set-basierte Aggregation unter Nutzung von Self-Attention herkömmliche Methoden bei der Modellierung von variabler Länge und hoher Frequenz tragbarer physikalischer Aktivitätsdaten übertrifft, während sie gleichzeitig nahelegt, dass einfachere Aggregationsstrategien für stabilere Messungen mit niedriger Frequenz weiterhin ausreichend sind.
Dieses Papier präsentiert AdapNet-IDS, ein selbstadaptierendes und interpretierbares Deep-Learning-Framework, das BiLSTM, Self-Attention und Elastic Weight Consolidation integriert, um eine hochgenaue Echtzeit-Intrusion-Detection mit kontinuierlichen Lernfähigkeiten und transparenter Entscheidungsfindung über diverse Netzwerkumgebungen hinweg zu erreichen.
Dieses Paper schlägt FedMOJO vor, ein geschlossenes kollaboratives Framework, das Low-Rank-Repräsentationslernen, differenzielle Privatsphäre und Fairness-Privacy-Optimierung integriert, um Nutzen, Gruppenfairness und den Schutz der Privatsphäre in der föderierten Textklassifizierung unter Non-IID-Daten effektiv auszubalancieren.