1017 Arbeiten
Dieses Paper schlägt ein sicheres, KI-gestütztes, sprachbasiertes E-Mail-System vor, das für sehbehinderte Nutzer entwickelt wurde und grafische Benutzeroberflächen durch die Integration von FaceNet zur biometrischen Authentifizierung, Whisper für hochpräzise Spracherkennung sowie Transformer-Modellen zur E-Mail-Zusammenfassung und -Übersetzung via Gmail-API eliminiert.
Diese Studie zeigt, dass 3D-Swin-Transformer die Leistungsfähigkeit von faltungsbasierten neuronalen Netzen bei der Scanner-übergreifenden Generalisierung für die Hippocampus-Segmentierung signifikant übertreffen, indem sie eine nahezu invariante Performance über diverse Multi-Center-Datensätze hinweg ohne Feinabstimmung erreichen und damit einen neuen Standard für den klinischen Einsatz etablieren.
Diese Arbeit zeigt, dass sowohl meinungsbasierte als auch strukturelle Ähnlichkeit die Polarisierung in sozialen Netzwerken vorantreiben, während die strategische Kombination dieser Mechanismen in Link-Empfehlungsalgorithmen die Netzwerkfragmentierung verhindern und das Nebeneinander moderater Meinungen fördern kann.
Dieses Paper schlägt ein erklärbares multimodales hybrides Deep-Learning-Framework vor, das Smartphone- und Wearable-Sensordaten integriert, um durch die Nutzung fortschrittlicher Feature-Engineering-Methoden und Attention-Mechanismen eine hochgenaue Früherkennung von Depressionen zu erreichen, indem es entscheidende Verhaltensindikatoren wie Schlafunregelmäßigkeiten, verringerte Mobilität, sozialen Rückzug und erhöhte nächtliche Smartphone-Nutzung identifiziert.
Dieses Papier präsentiert ein automatisches Spracherkennungssystem für Karakalpakisch auf Basis der wav2vec 2.0 XLS-R-Architektur, das einen neu erstellten 50-stündigen Karakalpakischen Sprachkorpus nutzt, um eine Wortfehlerrate von 21,10 % zu erreichen, und den Einfluss des Volumens an gelabelten Daten auf die Erkennungsleistung bei ressourcenarmen Sprachen demonstriert.
Dieses Paper schlägt ein KI-gestütztes Montage-Framework vor, das echtzeitbasierte, kontextsensitive Anweisungen direkt in das Produktdesign integriert, um statische Handbücher zu ersetzen, und demonstriert durch eine Nutzerstudie, dass dieser Ansatz die Montagezeit, Fehler, Zögern und die kognitive Belastung im Vergleich zu herkömmlicher manueller Anleitung signifikant reduziert.
Diese Studie schlägt ein Time-Decay Gated Recurrent Unit (TD-GRU)-Modell vor, das den zeitlichen Zerfall auf den verborgenen Zustand beschränkt, um die Rohwerte klinischer Daten zu bewahren, und demonstriert einen statistisch glaubwürdigen Netto-Klinischen-Nutzen sowie eine überlegene Leistung gegenüber mehreren Baselines für die frühzeitige Sepsis-3-Vorhersage in spärlich besetzten, unregelmäßig abgetasteten Intensivstation-Trajektorien.
Dieses Papier schlägt CCPP-LPC vor, einen Algorithmus zur Pfadplanung mit vollständiger Abdeckung, der ein lokales Pfadkostenbewertungsmodell und eine adaptive, dual gesteuerte Perturbationsstrategie nutzt, um die Einschränkungen bestehender heuristischer Methoden zu überwinden und dadurch eine überlegene Recheneffizienz sowie Pfadoptimierung in komplexen Umgebungen zu erreichen.
Dieses Paper schlägt eine auf Polarisierung basierende Methode zur Anomalieerkennung unter Verwendung des Minimum Effort to Consensus (MEC)-Index auf Social-Media-Daten vor und zeigt auf, dass die Überwachung von Verschiebungen in der öffentlichen Uneinigkeit herkömmliche volumenbasierte Ansätze bei der Identifizierung signifikanter Ereignisse übertrifft, was durch eine Fallstudie der Debatte über die kolumbianische Rentenreform 2024 auf X validiert wurde.
Diese Studie schlägt ein neuartiges hybrides Deep-Learning-Modell vor, das Variational Mode Decomposition (VMD), Temporal Convolutional Network (TCN) und Bidirectional Gated Recurrent Unit (BiGRU) kombiniert und bei der Vorhersage der langfristigen monatlichen Solarstrahlung unter Verwendung von NASA POWER-Daten aus der Türkei neun andere Algorithmen des maschinellen Lernens signifikant übertrifft.