1017 Arbeiten
Dieses Paper schlägt einen Quellverifizierungsansatz zur Erkennung von E-Mail-basiertem Phishing vor, der NLP zur Extraktion der Zielinstitutionen mit Web-Mining kombiniert, um bereitgestellte URLs und Inhalte mit offiziellen Websites zu vergleichen, wobei eine Genauigkeit von 96 % erreicht und bestehende Detektionsdienste übertroffen werden.
Diese Studie präsentiert ein integriertes Toolkit aus Augmented Reality und eingebetteter Elektronik, das das Verständnis von komplexen Netzwerkdiagrammen bei Undergraduate-Studierenden der MINT-Fächer signifikant verbessert, insbesondere indem es Studierenden mit geringem anfänglichem Selbstvertrauen zugutekommt, durch die Kombination von synchronisierten physisch-virtuellen Visualisierungen mit taktiler Interaktion und kontextuellen Overlays.
Dieses Paper schlägt NSP-ML vor, ein multimodales Lernframework, das visuelle Daten mit normalitätsgeleiteten und spatiotemporalen Prior-bewussten Textprotokollen integriert, um die Erkennung kontextabhängiger abnormaler Verhaltensweisen in Campus-Umgebungen signifikant zu verbessern und eine State-of-the-Art-Leistung auf dem CABRH8-Datensatz zu erzielen.
Dieses Paper schlägt IoT-TrustChain vor, ein ressourceneffizientes, Blockchain-basiertes Zugriffskontroll-Framework, das dynamische Delegation und ereignisbewusste Richtlinien integriert, um die Entscheidungslatenz sowie den Gasverbrauch signifikant zu reduzieren und gleichzeitig die Echtzeitreaktionsfähigkeit für eingeschränkte IoT-Umgebungen zu verbessern.
Diese Studie zeigt, dass bildeingebettete Prompt-Injection ein erhebliches herstellerübergreifendes Sicherheitsrisiko für dentale Vision-Language-Modelle darstellt, wobei sie aufzeigt, dass zwar alle getesteten kommerziellen und Open-Source-Systeme anfällig sind, OCR-basierte Bereinigungs- und Provenienz-bewusste Governance-Strategien diese Angriffe jedoch effektiv entschärfen können, während die klinische diagnostische Genauigkeit erhalten bleibt.
Dieses Paper schlägt ein neuartiges grenzbewusstes tiefes affines Aufmerksamkeitsnetzwerk vor, das die Modellierung von Wortpaar-Beziehungen an Grenzen, dynamische Konvolution und tiefe affine Aufmerksamkeit integriert, um die Herausforderungen bei der Identifizierung von Entitätsgrenzen und der Modellierung langfristiger Abhängigkeiten effektiv zu adressieren und eine Spitzenleistung sowohl bei flachen als auch bei verschachtelten Named Entity Recognition-Aufgaben über fünf Benchmark-Datensätze hinweg zu erzielen.
Dieses Papier führt die Bernardes Branch-Aware Pythagorean Residual Fields als ein spezialisiertes, nicht-fertigungstechnisches Geometrieverarbeitungs-Diagnosewerkzeug ein und evaluiert diese, welches darauf ausgelegt ist, astkompatible Kontur-Hinweise für die explorative Netz-Hüllkurven-Analyse zu generieren, während es seine Einschränkungen hinsichtlich Koordinatenabhängigkeit, Auflösungsempfindlichkeit und des Mangels an Fertigungsgarantien im Vergleich zu Standard-Distanzfeldern explizit anerkennt.
Diese Studie schlägt ein Deep-Learning-Framework unter Verwendung von YOLO-Architekturen zur Erkennung und Klassifizierung von acht Fahreraktivitäten vor, wobei nachgewiesen wird, dass das YOLOv8n-Modell eine überlegene Echtzeitleistung mit 96,3 % mAP auf einem Datensatz von 5.422 Bildern erzielt und somit eine effektive Lösung zur Verbesserung der Verkehrssicherheit in intelligenten Transportsystemen bietet.
Diese systematische Literaturübersicht von 136 Artikeln identifiziert 14 zentrale Forschungsperspektiven zur Qualität und Verständlichkeit der Unified Modeling Language (UML)-Notation, zeigt einen wachsenden Trend hin zu Testung und Evaluierung auf und schlägt zukünftige Forschungsrichtungen vor, einschließlich der Integration in Low-Code-Plattformen sowie verbesserter automatisierter Bewertung.
Dieses Paper präsentiert das Framework der Interpretable Edge Intelligence (IEI), welches einen LSTM-Autoencoder mit K-Means-komprimiertem KernelSHAP kombiniert, um eine Echtzeit-Ursachenanalyse kausaler QoS-Anomalien in privaten 5G-Netzwerken zu erreichen, wobei eine hohe Genauigkeit sowie die kritische Notwendigkeit der lokalen Kalibrierung zur Vermeidung von Deployment-Fehlern nachgewiesen werden.