2354 Arbeiten
Dieses Papier präsentiert ein modulares, serviceorientiertes System, das Computer Vision, Deep Learning und 3D-Avatar-Rendering integriert, um eine effektive, nahezu echtzeitfähige bidirektionale Kommunikation zwischen gehörlosen und hörenden Personen in portugiesischer Gebärdensprache zu ermöglichen.
Dieses Paper schlägt GhostV2-YOLO vor, ein hardware-bewusstes, leichtgewichtiges UAV-Detektionsnetzwerk, das DFC-Light-Attention, ein Full-Link-C2f_GhostV2-Modul und strategische Coordinate Attention integriert, um eine hohe Genauigkeit und Echtzeit-Inferenz auf ressourcenbeschränkten Edge-NPUs zu erreichen und gleichzeitig eine starke Cross-Dataset-Generalisierung zu demonstrieren.
Dieses Paper schlägt eine evidenzbasierte Methodik unter Verwendung der Evidenztheorie vor, um durch die Aggregation subjektiver Salienz-Empfehlungen automatisch relevante Stakeholder zu identifizieren und dabei Konflikte effektiv zu bewältigen, um einen Konsens zu erreichen, der die Priorisierung von Anforderungen optimiert.
Diese Studie adressiert den Mangel an domänenspezifischer Orientierung für die Mensch-KI-Kollaboration in der Fertigung, indem sie Literatur und Experteninterviews synthetisiert, um ein verfeinertes soziotechnisches Design-Framework vorzuschlagen, das aus acht Schlüsseldimensionen besteht, welche mit den Prinzipien der Menschzentrierten KI und der Industrie 5.0 übereinstimmen, um das Wohlbefinden, die Resilienz und die effektive Teamarbeit der Arbeitnehmer zu fördern.
Dieses Paper schlägt CFCO vor, eine Methode zur Bildung kollaborativer Koalitionen zur Maximierung der sozialen Wohlfahrt, die lokale, D2D- und MEC-Rechenmodi vereinheitlicht, um das Task-Offloading in der fahrzeugbasierten Edge-Computing-Umgebung zu optimieren, wobei es im Vergleich zu bestehenden Baselines auf realen Trajektorien-Daten eine überlegene Leistung in Bezug auf Verzögerung, Fairness und Effizienz demonstriert.
Dieses Paper schlägt ein hybrides maschinelles Lernframework vor, das Variational Mode Decomposition zur Signaldekomposition, Recursive Feature Elimination zur Merkmalsauswahl, SMOTE für den Klassenausgleich und einen CatBoost–SVM-Klassifikator integriert, um ein hochpräzises (98,5 %) Luftqualitätsklassifizierungssystem unter Verwendung von CPCB-Daten zu erreichen.
Dieses Paper führt das Galois-Theoretische Quanten-Nash-Lernen (GT-QNL) ein, ein Framework, welches beweist, dass klassische Optimierer aufgrund des Abel-Ruffini-Theorems daran scheitern, Quanten-Nash-Gleichgewichte in nicht-lösbaren algebraischen Landschaften zu finden, während ein neuartiger Quanten-Braiding-Algorithmus diese Hindernis überwindet, indem er Galois-Gruppen-Aktionen physisch realisiert, um Konvergenz zu garantieren.
Diese Arbeit präsentiert eine umfassende, simulationsbasierte Studie, die unter Verwendung von Contiki-NG einen gelabelten Datensatz von fünf repräsentativen RPL-Routing-Layer-Angriffen über verschiedene Topologie- und Mobilitätsszenarien hinweg generiert und dabei über 50 Merkmale extrahiert, um einen reproduzierbaren Benchmark für die Entwicklung und Evaluierung von topologiebewussten maschinellen Lernsystemen zur Erkennung in Low-Power-IoT-Netzwerken zu etablieren.
Dieses Paper schlägt ein graphbasiertes Zerlegungsframework vor, das die Recheneffizienz und Skalierbarkeit bei der Lösung von flussbasierten Ladestationslokalisierungsproblemen in großflächigen Verkehrsnetzen durch die Partitionierung des Netzwerks in kleinere Teilprobleme, deren individuelle Lösung sowie die anschließende Verfeinerung der aggregierten Ergebnisse verbessert.
Dieses Paper präsentiert eine Rust-Python-hybride SPV-Verifizierungs-Engine für das IoT, die durch die Milderung von Garbage-Collection-Latenzen und Speicherrisiken mittels einer speicherabgebildeten Streaming-Architektur eine 4,35-fache Steigerung des Durchsatzes und eine Reduzierung des Energieverbrauchs um bis zu 75 % auf ressourcenbeschränkten Geräten erreicht.