2354 Arbeiten
Diese Arbeit zeigt empirisch auf, dass Channel Pruning die Rauschrobustheit der Fußgängererkennung nur in Szenarien mit geringen Datenmengen und hoher Redundanz durch die Funktion als Regularisierer verbessert, während es bei der Generalisierung über diverse Datensätze versagt und nur moderate Rechenersparnisse bietet.
Dieses Paper schlägt ein hybrides CNN–GRU-Deep-Learning-Framework vor, das durch mRMR-Merkmalsselektion verbessert wurde, um eine Major Depression aus EEG-Signalen effektiv zu detektieren, wobei eine mittlere Genauigkeit von 96,74 % auf dem MODMA-Datensatz erreicht wird, während gleichzeitig die Notwendigkeit einer weiteren Validierung an diversen klinischen Daten hervorgehoben wird.
Dieses Paper führt Mechanistic Circuit Tracking ein, ein modulares Framework, das direkte Logit-Attribution, kausales Activation Patching und Ablations-Techniken kombiniert, um die Entstehung von Attention-Circuits während des Pre-Trainings zu verfolgen und deren kausale Robustheit über einen neuen Circuit Stability Index zur Verbesserung der KI-Sicherheit und -Ausrichtung zu quantifizieren.
Diese Studie evaluiert 14 große Sprachmodelle hinsichtlich der Erkennung von Schwachstellen in Smart Contracts und zeigt auf, dass die Modellauswahl entscheidender ist als Prompting-Strategien oder eine erhöhte Inferenzzeit-Berechnung, da größere Frontier-Modelle eine überlegene Zuverlässigkeit demonstrieren, während kleinere Modelle und erweiterte Reasoning-Techniken die Leistung verschlechtern können.
Dieses Paper stellt Perceive AI vor, ein neuartiges End-to-End-Framework für die automatisierte Bewertung kurzer Antworten, das eine Dual-Head-parametrische Prototyp-Architektur sowie adversarielle Konsistenz-Leitplanken nutzt, um ein robustes, prompt-bewusstes Scoring zu erreichen und gleichzeitig fachfremde Einreichungen effektiv zu filtern.
Dieses Paper führt die Spectral Basis Interpretable Unit (SBIU) ein, eine klassisch inspirierte, von der Quantenmechanik motivierte neuronale Einheit, die gelernte orthogonale Projektionen nutzt, um universelle Funktionsapproximation und unüberwachte Regime-Entdeckung mit hoher Interpretierbarkeit und wettbewerbsfähiger Leistung sowohl auf synthetischen als auch auf realen klinischen Datensätzen zu erreichen.
Dieses Paper führt Dictionary-KAN (DKAN) ein, eine maschinell verifizierte Architektur, die das Optimierungsparadoxon von Kolmogorov-Arnold-Netzwerken durch den Einsatz von RBF-Diktionären mit komplexen Koeffizienten und diskreter hierarchischer Verfeinerung löst, um eine überlegene multivariate Regression, PDE-Koeffizienten-Rekonstruktion sowie hardwareeffiziente Interpretierbarkeit zu erreichen und gleichzeitig die Speicher- und Konvergenzprobleme kontinuierlicher Spline-basierter KANs zu vermeiden.
CONCORDAT ist ein siloubergreifendes Federated-Learning-Framework, das eine vertrauenswürdige, datenschutzwahrende multimodale Autismusforschung ermöglicht, indem es heterogene und unvollständige Gesundheitsdaten über mehrere Standorte hinweg integriert und gleichzeitig Herausforderungen in den Bereichen fehlende Daten, Differential Privacy und Subgruppen-Gerechtigkeit adressiert.
Diese Arbeit bringt Deep Equilibrium Models voran, indem sie eine Fixpunkttheorie etabliert, welche die restriktive Anforderung der strikten Kontraktion lockert, Existenz und Eindeutigkeit unter Wardowski--Kontraktionen nachweist, die Konvergenz der Krasnoselskii–Mann-Iteration für nichtexpansive Operatoren demonstriert und Lipschitz-Stabilitätsgrenzen für ein robustes Training ableitet.
Dieses Paper schlägt ein Verteidigungsframework vor, das adversarielles Training und Gradient Masking kombiniert, um die Robustheit von auf Deep Learning basierenden Intrusion Detection Systemen gegenüber adversariellen Angriffen signifikant zu erhöhen und gleichzeitig eine hohe Genauigkeit bei gutartigem Datenverkehr beizubehalten.