2354 Arbeiten
Dieses Paper stellt LEGR vor, ein End-to-End-Framework für die Tabellenstrukturerkennung, das statische geometrische Heuristiken durch lernbare relationale Kantenmerkmale und ein kaskadiertes Graph Attention Network-Verfeinerungsmodul ersetzt, um durch iterative Korrektur von Vorhersagen mittels gelerntem globalem Layout-Reasoning eine robuste, domäneninvariante Performance zu erreichen.
Diese Studie präsentiert ein erklärbares, Android-basiertes Entscheidungsunterstützungssystem, das ein optimiertes XGBoost-Modell und einen recheneffizienten Monte-Carlo-SHAP-Algorithmus nutzt, um in Echtzeit interpretierbare Vorhersagen der Druckfestigkeit von Hochleistungsbeton direkt auf mobilen Endgeräten bereitzustellen.
Dieses Paper schlägt ein einheitliches Dual-Balance-Framework vor, das sowohl Label- als auch Modalitäts-Imbalancen bei der Long-Tailed Multimodal Relation Extraction durch eine Modality-Branch-Fusionsstrategie für kreuzmodale Konsistenz sowie einen Prior-Aware Class Calibrator zur verbesserten Erkennung von Tail-Relationen adressiert und eine wettbewerbsfähige Leistung auf den MNRE- und MORE-Benchmarks demonstriert.
Das Papier schlägt Multiple Approximate-Response Agents (MARA) vor, eine parallelisierbare primale Rekonstruktionsmethode, die mehrere beschränkte suboptimalen Antworten auf duale Preisabfragen generiert und diese kombiniert, um in der verteilten Optimierung schnell zulässige, nahezu optimale Lösungen zu erreichen, ohne die Wanduhrzeit zu erhöhen.
Dieses Paper stellt FPA-Net vor, ein duales Branch-Deep-Network, das komplexwertige Frequenzmodellierung und positionsbewusste Aufmerksamkeitsmechanismen innerhalb des HVI-Farbraums nutzt, um eine hochmoderne Low-Light-Bildverbesserung mit überlegener struktureller Treue und Farbkonsistenz zu erreichen.
Dieses Paper schlägt das MeanRadius-SMOTE Graph Neural Network (MRS-GNN) vor, ein neuartiges Framework, das Klassenungleichgewichte bei der Fehler- und Intrusionserkennung adressiert, indem es synthetische Knoten im Einbettungsraum generiert und spezialisierte Kanten erstellt, um die Graphtopologie zu bewahren, wodurch die Klassifizierungsgenauigkeit und die AUC-ROC unter extremen Ungleichgewichtsbedingungen signifikant verbessert werden.
Dieses Papier schlägt ein sicheres und effizientes Authentifizierungsschema für Vehicular Ad-hoc Networks (VANETs) vor, das ECDSA, ECDH und HMAC mit SHA-256 kombiniert, um die Nachrichtenintegrität und den Sitzungsschlüsselaustausch zu gewährleisten, während es dynamische Pseudonyme für den Datenschutz, eine auf Public-Key basierende Revokationsliste für effizientes Zertifikatsmanagement und GPS-basierte Zeitsynchronisation zur Vermeidung von Replay-Angriffen einsetzt.
Diese Arbeit schlägt ein robustes Ensemble-Deep-Learning-Framework vor, das DenseNet-, ResNet- und Xception-Modelle mittels Mehrheitsentscheidung kombiniert, um eine hochgenaue Erkennung von Waldbränden und Rauch zu erreichen, wobei es die einzelnen Modelle sowohl bei reinen Feuer- als auch bei Feuer-und-Rauch-Datensätzen übertrifft.
Dieses Paper stellt eine neuartige, auf Shiny basierende Low-Code-Plattform zur Datenanonymisierung vor, die Forschende, insbesondere in ressourcenarmen Umgebungen, dazu befähigt, sensible Informationen zu schützen und den Datennutzen durch eine intuitive Benutzeroberfläche, integrierte Risikobewertung sowie die automatische Generierung von reproduzierbarem Code in R, Stata und Python zu gewährleisten.
Dieses Paper führt ein neuartiges rekurrentes neuronales Netz ein, das von exponentiellen Glättungsmethoden inspiriert ist und einen auf Partikelschwarmoptimierung basierenden Lernalgorithmus sowie eine neue Zielfunktion nutzt, um im Vergleich zu bestehenden tiefen und flachen künstlichen neuronalen Netzen eine überlegene Prognoseleistung für saisonale Zeitreihen zu erzielen.