3775 Arbeiten
Das Papier schlägt MILCR vor, ein neuartiges sequenzielles Empfehlungsframework, das das Flow Matching durch die Integration von gegenseitiger Information und lokaler Konsistenzregularisierung verbessert, um Repräsentationskollaps und übermäßige Rauschabhängigkeit zu mildern und dadurch eine überlegene Leistung bei spärlichen und diskreten Interaktionsdaten zu erzielen.
Diese Arbeit zeigt, dass flächenbewusstes Sample-Reweighting die Recall-Rate für kleine Personen in INT8-Visual-Wake-Words-Modellen verbessert, ohne den Inferenzgraphen zu verändern, obwohl es einfaches Oversampling nicht eindeutig übertrifft und die Anzahl der False Positives leicht erhöht.
Diese Studie schlägt L-GTACNet vor, ein hybrides Deep-Learning-Framework, das Local–Global Transformer und Graph Convolutional Networks mit Bildverbesserungstechniken kombiniert, um eine Genauigkeit von 94,8 % bei der automatisierten, objektiven Bewertung des Schweregrads der Colitis ulcerosa basierend auf dem Mayo-Endoskopie-Score zu erreichen.
Diese Studie zeigt, dass maschinelle Lernmodelle Ergebnisse im professionellen Volleyball moderat vorhersagen können, wenn sie streng gegen Data Leakage und zeitliche Beschränkungen getestet werden, eine einfache Elo-Rating-Baseline jedoch weiterhin hochgradig wettbewerbsfähig bleibt, was darauf hindeutet, dass komplexe Algorithmen einen begrenzten zusätzlichen Nutzen für die Entscheidungsunterstützung vor dem Spiel bieten.
Diese Studie schlägt ein Adaptive Block Coordinate Descent Logistic Regression (ABCD-LoR) Modell für die reaktive UAV-Pfadplanung in statischen Umgebungen vor, welches die Hindernisvermeidung als ein Drei-Klassen-Klassifizierungsproblem formuliert und durch Simulationen eine reduzierte Pfadlänge sowie Rechenzeit im Vergleich zu klassischen Algorithmen nachweist, während gleichzeitig die Notwendigkeit einer weiteren Validierung in realen dynamischen Umgebungen anerkannt wird.
Diese Studie verwendet einen Mixed-Methods-Ansatz der Computational Grounded Theory, um nahezu 100.000 Bluesky-Posts von 2023 bis 2025 zu analysieren, wobei sich zeigt, dass der öffentliche Diskurs über KI im Bildungswesen vorwiegend durch Skepsis und Bedenken hinsichtlich akademischer Integrität, Ethik und der Rolle von Lehrkräften geprägt ist, trotz gelegentlicher positiver Diskussionen über kreative und instruktionale Anwendungen.
Das EPACE-FL-Framework adressiert die Herausforderungen des Datenschutzlecks und der geringen Kommunikationseffizienz im Edge-basierten föderierten Lernen durch die Einführung eines dynamischen Quantisierungs- und chaotischen Maskierungsalgorithmus (DQCM), der Modellparameter gemeinsam komprimiert und verschlüsselt, wodurch der Kommunikationsaufwand signifikant reduziert und gleichzeitig der Schutz gegen bösartige Angriffe verbessert wird.
Dieses Paper präsentiert zwei allgemeine algorithmische Dekompositionen – achsentrennbare 3D-Faltungen und ein Single-Pass-Integralstatistik-Schema für die Nachbarschafts-PCA –, welche die 3D-Punktwolkenverarbeitung für eingebettete Systeme beschleunigen, indem sie eine 36-fache Reduktion der MACs sowie 30- bis 280-fache Beschleunigungen erreichen und dabei die Genauigkeit manueller Vermessungen bei der Detektion von Bewehrungsstahl-Netz-Schnittpunkten beibehalten.
Dieses Paper schlägt ein Multi-Strategie-Depot-Selektions-Portfolio für das Kapazitätsbeschränkte Standort-Routen-Problem vor, das randomisierte Vorauswahl, iteratives Sweeping, Multi-Starts sowie Neuzuweisung mit einer Adaptive Large Neighborhood Search und exakten Allokationsmodellen kombiniert, um den Hexaly Optimizer-Baseline-Wert in 29 von 30 Benchmark-Instanzen zu übertreffen, insbesondere in moderaten Kapazitätsregimen.
Dieses Paper stellt XM-MADRL vor, ein erklärbares graphbasiertes Meta-Reinforcement-Learning-Framework für UAV-Schwärme, das signifikante Leistungssteigerungen bei der Paketübertragung und den Anti-Jamming-Fähigkeiten aufweist, insbesondere unter partieller Beobachtbarkeit und adaptivem Jamming, während es gleichzeitig aufzeigt, dass seine Koordinations- und Meta-Adaptationskomponenten gegenüber vorhersehbaren Jammern oder vollständiger Beobachtbarkeit keinen Nutzen bieten.