3657 Arbeiten
Dieses Paper schlägt ein vom Software-Engineering inspiriertes Framework für die KI-Governance vor, das dem „Silent Drift“ normativer Richtlinien durch die Befürwortung von granularer Versionierung, klassifizierten Änderungsprotokollen und expliziten Rollback-Mechanismen begegnet, um eine transparente, auditierbare und regulatorisch akzeptierte Evolution der Richtlinien zu gewährleisten.
Dieses Paper stellt PulmoDiagAI vor, ein intelligentes, auf Deep Learning basierendes System, das feinabgestimmte CNN-Architekturen und fortschrittliche Bildvorverarbeitung nutzt, um eine hochgenaue automatisierte Klassifizierung von Lungenkrebs und COVID-19 aus medizinischen Bilddaten zu erreichen, was letztlich über eine Echtzeit-GUI zur Unterstützung von Klinikern bei der Früherkennung von Krankheiten bereitgestellt wird.
Diese Studie zeigt, dass das Umschreiben durch generative KI die Leistung von Detektoren für Gesundheitsfehlinformationen signifikant verschlechtert, indem es datensatzspezifische Ausfallmodi induziert, obwohl transformationsbewusstes Training die Robustheit innerhalb desselben Bereichs teilweise wiederherstellen kann, ohne jedoch konsistent über verschiedene Datensätze hinweg zu generalisieren.
Dieses Paper stellt DACH-DDPG vor, ein driftbewusstes kontinuierliches Hybrid-Lernframework, das SVM und XGBoost für die adaptive Signalerzeugung mit einem DDPG-Agenten für sequentielle Handelsentscheidungen kombiniert, um die Nichtstationarität des Marktes durch leistungsgesteuerte Modelladaptation effektiv zu adressieren und somit überlegene risikobereinigte Renditen zu erzielen.
Dieses Papier schlägt das EWGF-CTSA-OSN-Framework vor, welches entropiegewichtetes gefiltertes Self-Attention-Transposed-Convolutional-Modell und ein optimiertes Spiking Neural Network integriert, um durch die effektive Unterdrückung von Rauschen, die Erfassung multiskalarer Merkmale und die Feinabstimmung der Parameter mittels des Dung Beetle Optimization-Algorithmus eine hochpräzise Früherkennung von Brustkrebs aus Ultraschallbildern zu erreichen.
Diese Arbeit präsentiert einen umfassenden Benchmark einzelner und ensemblebasierter Erklärbarkeitsmethoden (Explainable AI) für die arabische Transformer-basierte Textklassifizierung und zeigt auf, dass selektives Ensembling zwar moderate Verbesserungen bei der modellzentrierten Treue (faithfulness) bietet, die menschzentrierte Plausibilität jedoch nicht signifikant steigert, ergänzt durch die Einführung einer kosteneffizienten automatisierten Methode zur Rational-Selektion.
Dieses Paper schlägt ein Proof-of-Concept-Framework vor, das SHAP-basierte Modell-Erklärungen mit Retrieval-Augmented Generation (RAG) integriert, um prädiktive Wartungsausfallprognosen durch das Abrufen relevanten Wissens basierend auf den dominanten Ausfallfaktoren in handlungsorientierte, interpretierbare und fallspezifische Wartungsempfehlungen zu transformieren.
Dieses Paper schlägt ein erklärbares maschinelles Lernverfahren vor, um das Risiko einer 30-tägigen Krankenhaus-Wiederaufnahme für diabetische Patienten vorherzusagen, mit dem Ziel, Krankenhäusern ein faires und genaues unterstützendes Werkzeug zur Identifizierung von Hochrisikopatienten bereitzustellen und gleichzeitig algorithmische Transparenz sowie Gerechtigkeit zu gewährleisten.
Diese Arbeit präsentiert eine reproduzierbare quantitative Inhaltsanalyse von 69 wissenschaftlichen Datensätzen, die zwischen 1992 und 2026 veröffentlicht wurden, welche die Verteilung und strukturelle Muster der Forschung zu Vertrauen in maschinelles Lernen über sechs Domänen hinweg, einschließlich Sicherheit, Biometrie, Robotik und Lieferketten, charakterisiert und gleichzeitig aufzeigt, dass bibliographische Titel nur schwach mit manuell kodierten Anwendungsbereichen übereinstimmen.
Dieses Paper führt das Citation Receipt Protocol (CRP) ein, ein System, das kryptografisch signierte, auditierbare Datensätze von authentifizierten Quellabrufen generiert, um digitalen Bibliotheken die Verifizierung spezifischer Zitierereignisse durch Stichprobenprüfungen zu ermöglichen, während es seine Einschränkungen bei der Zertifizierung der globalen Vollständigkeit oder der semantischen Zitiergültigkeit explizit anerkennt.