3775 Arbeiten
Dieses Paper präsentiert A-Str, einen auf azyklischen Automaten basierenden String-Constraint-Solver, der nativ Java-String-APIs unterstützt, um komplexe Java-Verifizierungs- und Dynamic-Symbolic-Execution-Benchmarks effizient und robust zu lösen, wobei er bestehende Tools bei Java-spezifischen Aufgaben übertrifft und gleichzeitig bei Standard-SMT-LIB-Benchmarks konkurrenzfähig bleibt.
Dieses Paper schlägt eine neuartige zweidimensionale probabilistische Fehler-Taxonomie und ein integriertes Assurance-Framework vor, das die Lücke zwischen traditionellem deterministischem Risikomanagement und den einzigartigen stochastischen Ausfällen von Transformer-basierten KI-Systemen schließt und es regulierten Life-Science-Unternehmen ermöglicht, durch verfeinerte Fehlerklassifizierung, Irreduzibilitäts-Gating und die Abstimmung auf FDA-Validierungslebenszyklen einen kontinuierlichen Kontrollzustand aufrechtzuerhalten.
Dieses Paper schlägt MESNet vor, ein leichtgewichtiges Transformer-CNN-kollaboratives Netzwerk, das morphologische Kanten- und Formbewusstsein integriert, um eine präzise und effiziente Gliomsegmentierung mit reduzierten Randfehlern und geringeren Rechenkosten zu erreichen.
Diese Studie schlägt ein hybrides, wissensgesteuertes Entscheidungsunterstützungs-Framework vor und validiert dieses, welches semantische Abfrage, FMEA-basiertes Ingenieurwissen und Ishikawa-basierte Kontextbewertung mit einem LightGBM-Modell integriert, um eine hochpräzise Ursachenidentifikation in der Fertigung zu erreichen und dabei die Anzahl der von Experten zu untersuchenden Hypothesen effektiv zu reduzieren, während gleichzeitig die Robustheit gegenüber verrauschten Daten aufrechterhalten wird.
Diese phänomenologische Vergleichsstudie zeigt auf, dass sich die menschlichen Wahrnehmungen und die Projektionen von Large Language Models (LLMs) einer Post-Singularitäts-Zukunft zwar anfänglich im Vokabular unterscheiden, das Abschälen der korporativen RLHF-Höfligkeitsprotokolle jedoch fatalistischere Narrative der LLMs offenbart, die sich in der Folge mit menschlichen Bedenken decken und signifikante Kontrollrisiken hinsichtlich Desinformation und kognitiver Souveränität hervorheben.
Diese Studie präsentiert eine Deep-Learning-Pipeline unter Verwendung von orientierter Objekterkennung und Siamese Neural Networks, die eine hohe Genauigkeit bei der automatisierten Zahnzählung und der Platzierung von Ganzgebiss-Röntgenaufnahmen erreicht und potenziell die dentalen Diagnoseabläufe optimiert.
Diese systematische Literaturübersicht analysiert kritisch Techniken des maschinellen Lernens zur Personen- und Szenenanalyse mittels augenreflektierter Bilder, indem sie 12 Primärstudien synthetisiert, um eine Forschungstaxonomie vorzuschlagen, zentrale Lücken zu identifizieren und zukünftige Richtungen für dieses aufstrebende Feld zu skizzieren.
Diese Studie bewertet und vergleicht fünf Algorithmen des maschinellen Lernens, einschließlich optimierter Ensemble- und Boosting-Modelle, auf dem Pima Indians Diabetes Datensatz, um das Diabetesrisiko vorherzusagen, wobei der optimierte Random Forest als das genaueste Modell identifiziert wurde und eine SHAP-Analyse die Glukose, den BMI und das Alter als die entscheidenden prädiktiven Faktoren bestätigte.
Dieses Paper präsentiert HEEH-V1, einen Open-Source-DICOM-Research-Viewer, und validiert dessen quantitative Bildverarbeitungs-Workflows durch rigorose Tests gegen Referenzsoftware und Phantomdaten, wobei die Reproduzierbarkeit bestätigt wird, während explizit darauf hingewiesen wird, dass diese Ergebnisse weder die klinische Leistungsfähigkeit noch die vollständige regulatorische Konformität belegen.
Diese Arbeit untersucht das Feld der Text-Multimedia-Retrieval und analysiert Methoden wie multimodale Fusion und Deep Learning, um Herausforderungen wie die semantische Lücke und die Skalierbarkeit bei der Abfrage von Multimedia-Inhalten mittels natürlicher Sprachabfragen zu bewältigen.