4370 Arbeiten
Die Arbeit stellt ProvAgent vor, ein Framework, das durch die Kombination von traditioneller Anomalieerkennung, graphenbasiertem Identitäts-Verhaltens-Binding und einem kollaborativen Multi-Agenten-System die Erkennung von Advanced Persistent Threats verbessert und autonome, kosteneffiziente Angriffsermittlungen ermöglicht.
Die Studie stellt EPPINN vor, einen evidenzbasierten physikinformierten neuronalen Netzwerk-Ansatz zur zuverlässigen und unsicherheitsbewussten Schätzung von Perfusionsparametern in der CT-Perfusionsbildgebung bei Schlaganfällen, der durch die Modellierung von physikalischen Restfehlern mittels Normal-Inverse-Gamma-Verteilungen sowohl die Genauigkeit als auch die Zuverlässigkeit der Diagnose verbessert.
Die Arbeit stellt SinGeo vor, ein einfaches Framework, das durch ein duales diskriminatives Lernverfahren und eine Curriculum-Learning-Strategie ein einzelnes Modell für eine robuste, feld-of-view-unabhängige Geolokalisierung befähigt und dabei den aktuellen Stand der Technik auf mehreren Benchmarks übertrifft.
Diese Arbeit stellt explizit eine obere Schranke von für die Änderung der optimalen Schaltkreisgröße bei einer Störung der Wahrheitstabelle dar, erweitert sie auf den allgemeinen Hamming-Abstand und bestätigt sie durch exhaustive SAT-basierte Berechnungen für im AIG-Basis-System, wobei die Tightness der Schranke nachgewiesen wird.
Die Studie „PixelConfig" analysiert mittels eines Reverse-Engineering-Frameworks die Konfigurationen des Meta-Pixels auf tausenden Gesundheits- und Kontroll-Websites und stellt fest, dass sensible Daten trotz eingesetzter Schutzmechanismen aufgrund standardmäßig aktiver Tracking-Funktionen häufig erfasst werden.
Die Arbeit stellt EventVGGT vor, ein neuartiges Framework, das durch die erstmalige distillation von räumlich-zeitlichen und multi-view geometrischen Priors aus dem Visual Geometry Grounded Transformer (VGGT) in den Event-Bereich eine konsistente und präzise ereignisbasierte Tiefenschätzung ermöglicht, indem es die inhärente zeitliche Kontinuität von Event-Daten explizit modelliert.
Die Arbeit stellt MIDAS vor, ein trainingsfreies, diffusionsbasiertes Framework für coverless Steganographie, das durch latente Fusion und einen Random-Basis-Mechanismus eine robuste Zugriffskontrolle für mehrere Bilder ermöglicht und dabei hohe Bildqualität sowie Resistenz gegen Steganalyse gewährleistet.
Das Paper stellt GeoBenchr vor, eine Open-Source-Benchmarking-Suite, die durch die Evaluierung von Spatiotemporal-Datenbanksystemen anhand realer Anwendungsfälle aus Bereichen wie Radfahren, Luftfahrt und Schifffahrt eine umfassende, anwendungsorientierte Leistungsanalyse ermöglicht.
Diese Arbeit stellt ein neuartiges, visuell gestütztes Systemidentifikationsframework für autonomes Rennfahren vor, das durch die Kombination eines CNN-basierten Reibungspriors und eines S4-Modells zur Erfassung dynamischer Residuen die Genauigkeit der Tire-Parameter-Schätzung erheblich verbessert und die Konvergenz bei Kaltstarts beschleunigt.
Die Arbeit stellt YOLO-NAS-Bench vor, das erste Surrogat-Benchmark für YOLO-Architektursuche, das durch einen selbstentwickelnden Mechanismus einen hochpräzisen Vorhersage-Modell schafft, um kostspielige Trainingsprozesse zu umgehen und überlegene Detektor-Architekturen zu entdecken.
Die Arbeit stellt RiO-DETR vor, den ersten Echtzeit-Transformer für die Detektion orientierter Objekte, der durch innovative Ansätze wie content-gesteuerte Winkelabschätzung, entkoppelte periodische Verfeinerung und dichte O2O-Überwachung die Herausforderungen der Winkelperiodizität und des erweiterten Suchraums überwindet, um einen neuen Kompromiss zwischen Geschwindigkeit und Genauigkeit zu erreichen.
Dieses Papier stellt ein umfassendes Rahmenwerk vor, das die Komplexitätsdichotomien für alle ungelösten Zählprobleme von Booleschen Tensor-Netzwerken durch die Klassifizierung der zugrunde liegenden endlichen Gruppen von binären Funktionen in neun Fälle vereint und dabei spezifische Fälle wie zyklische Gruppen löst oder Fortschritte erzielt.
Die Arbeit stellt CIGPose vor, ein Framework, das mittels kausaler Intervention und Graph-Neural-Networks störende visuelle Kontexteinflüsse eliminiert, um robuste und anatomisch plausible Ganzkörper-Pose-Schätzungen zu erreichen und dabei neue State-of-the-Art-Ergebnisse auf dem COCO-WholeBody-Datensatz zu erzielen.
Die Arbeit stellt MetaDAT vor, ein Verfahren zur Vorhersage von Trajektorien, das durch Meta-Learning während des Trainings und einen datenadaptiven Mechanismus zur Anpassung von Lernraten und Aktualisierungsfrequenzen während des Testens eine robuste Generalisierung unter Verteilungsverschiebungen ermöglicht.
Diese Arbeit zeigt auf, dass binäre Sicherheitslücken in WebAssembly-Modulen herkömmliche Web-Sicherheitsmechanismen untergraben und zu Angriffen wie SQL-Injection führen können, und bietet darauf aufbauend defensive Strategien zur Risikominderung.
Dieser Artikel stellt einen Funktor vor, der einem algebraischen Modell interagierender Komponenten eine Dynamik verleiht und dabei das künstliche Leben-Modell AlChemy von Fontana und Buss verallgemeinert, um die Verbindung zwischen algebraischen und dynamischen Aspekten mittels Kategorientheorie zu formalisieren.
Das Paper stellt GIIM vor, einen neuartigen graphbasierten Ansatz für die computergestützte medizinische Diagnose, der durch die gleichzeitige Modellierung von Abhängigkeiten innerhalb und zwischen verschiedenen Bildansichten sowie durch die robuste Handhabung unvollständiger Daten die Diagnosegenauigkeit und -zuverlässigkeit im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Arbeit stellt ShapeMark vor, eine robuste und diversitätserhaltende Wasserzeichenmethode für Diffusionsmodelle, die durch die Kodierung von Wasserzeichenbits in strukturierte Rauschmuster anstelle einzelner Werte sowie durch eine spezielle Randomisierung die Nachteile bestehender Ansätze überwindet und gleichzeitig hohe Stabilität gegenüber Verlusten sowie eine hohe Bildqualität gewährleistet.
Diese Arbeit stellt einen vorkonditionierten SE(3)-Stein-Variational-Gradienten-Descent-Ansatz vor, der die Ergodizitätsoptimierung für die robotische Abdeckung komplexer 3D-Oberflächen verbessert, indem sie SE(3)-Geometrie erhält und konvexe Optimierungsprobleme überwindet.
Das Papier stellt SEA-Nav vor, einen Reinforcement-Learning-Rahmen für vierbeinige Roboter, der durch differentiable Barrieren-Funktionen, adaptive Replay-Mechanismen und kinematische Constraints eine sichere und agile Navigation in dicht bepackten Umgebungen mit nur wenigen Minuten Trainingszeit in der realen Welt ermöglicht.