1017 Arbeiten
Dieses Paper präsentiert ein auf DenseNet-121 basierendes Deep-Learning-System, das eine Genauigkeit von 96,52 % bei der Klassifizierung von vier Arten von Hirntumoren aus bangladeschischen MRT-Datensätzen erreicht, während es Grad-CAM und verwandte Techniken einsetzt, um die Transparenz und Vertrauenswürdigkeit des Modells zu gewährleisten.
Dieses Paper schlägt IDW-ADAFormer vor, ein auf iTransformer basierendes Framework, das eine adaptive Inverse-Distance-Weighting-Zerlegung, ein kernelbasiertes Alignment-Diversity-Attention-Modul und eine AQI-bewusste Verlustfunktion integriert, um eine präzise und interpretierbare mittelfristige Vorhersage räumlich verteilter Feinstaubkonzentrationen zu erreichen.
Dieses Papier schlägt einen Pareto-hybriden künstlichen Fischschwarm-Algorithmus vor, der verbesserte Fütterungsmechanismen und Simulated Annealing integriert, um die Montage-Sequenzplanung und den Montagelinienausgleich gleichzeitig durch die Minimierung von Ausgleichsverlusten, Wechselzeiten und Taktzeiten zu optimieren.
Diese Studie evaluiert die Leistungsfähigkeit des Apriori-Algorithmus auf großskaligen synthetischen Transaktionsdatensätzen, um zu demonstrieren, dass das Absenken der Support-Schwellenwerte zwar die Regeldiversität erhöht, jedoch die Rechenkosten signifikant steigert, was letztlich die Notwendigkeit unterstreicht, algorithmische Tiefe durch eine optimale Schwellenwertwahl mit Effizienz abzuwägen.
Dieses Papier schlägt einen Population State-Aware Cooperative Adaptive Differential Evolution (PSAC-DE) Algorithmus vor, der einen einheitlichen Zustandsregler nutzt, um ein vierzieliges Modell zur Koordination von Arterienverkehrssignalen zu lösen, wobei im Vergleich zu gängigen Optimierern in simulierten Szenarien aus Hangzhou signifikante Verbesserungen bei Verzögerung, Stopps, der Bandbreite der grünen Welle und Kohlenstoffemissionen nachgewiesen werden.
Das Papier schlägt FreqPrompt-AD vor, ein trainingsfreies Framework, das die Zero-Shot-Industrieanomalieerkennung und -segmentierung durch die Nutzung von frequenzgesteuerter lokaler semantischer Prompting verbessert, um die Einschränkungen der globalen Bild-Text-Ausrichtung in CLIP-ähnlichen Modellen zu überwinden und so eine State-of-the-Art-Leistung auf mehreren Benchmarks zu erzielen.
Dieses Paper führt einen auf Nutzenaxiomen basierendenen, maßtheoretischen Rahmen zur Bewertung der Rationalität von Large Language Models ein und zeigt auf, dass viele Modelle systematische Verletzungen der Präferenztransitivität aufweisen, welche die Entscheidungskohärenz untergraben, selbst wenn einige Muster menschliches Verhalten widerspiegeln.
TopoLeaf ist ein trainingsfreies Zero-Shot-Framework zur visuellen Anomalieerkennung für landwirtschaftliche Cyber-Physische Systeme, das geometrische Distanz und lokale persistente Homologie auf Merkmalen von Foundation-Modellen kombiniert, um neuartige Pflanzenkrankheiten und strukturelle Abweichungen über diverse Kulturdomänen hinweg robust zu identifizieren, ohne dass annotierte Daten erforderlich sind.
Diese Arbeit präsentiert eine systematische Übersicht über 80 Studien (2010–2026), die das sich entwickelnde Wettrüsten zwischen KI-gestützter Cyber-Bedrohungserkennung und adversen Umgehungstechniken analysiert und dabei eine einheitliche Taxonomie, eine visuelle Trendanalyse sowie eine kritische Bewertung der Herausforderungen und zukünftigen Richtungen innerhalb von Zero-Trust-Sicherheitsumgebungen bietet.
Dieses Paper führt TimeSynth ein, ein kontrolliertes Benchmarking-Framework, das die Unzulänglichkeiten standardisierter punktweiser Metriken bei der Evaluierung von digitalen Zwillingen für Gesundheitssignale aufzeigt, indem es signifikante Phasen- und Frequenzfehler in führenden Modellen offenlegt und damit für eine architekturbasierte Modellauswahl auf Grundlage von zeitlicher Treue-Diagnostik plädiert.