3775 Arbeiten
Diese Übersicht synthetisiert systematisch Daten-, Algorithmen-, generative und selbstüberwachte Methoden zur Anomalieerkennung unter extremer Klassenimbalance in fünf hochsensiblen Sektoren, während sie gleichzeitig Bewertungsfallen kritisch aufzeigt und zentrale Herausforderungen skizziert, um die zukünftige Forschung zu leiten.
Diese Studie evaluiert vier Deep-Learning-Modelle für die mobile Identifizierung von Hunderassen und identifiziert MobileNetV2 als die optimale Wahl, da es einen ausgewogenen Kompromiss zwischen Klassifizierungsgenauigkeit, Inferenzgeschwindigkeit und Modellgröße erzielt und gleichzeitig den Erfolg der Echtzeit-Bereitstellung in einer Offline-Android-Applikation demonstriert.
Dieses Paper führt das MIDAS-Framework ein, um zu demonstrieren, dass bei kleinen Vision Transformern für die feingranulare visuelle Kategorisierung Strategien zur Token-Pruning, die auf Teilabdeckung (Erhalt von Objektdetails) und Treue (Erklärung von Klassifizierungsentscheidungen) optimiert sind, fundamental entkoppelt sind, was bedeutet, dass Verbesserungen in einer Metrik keine Verbesserungen in der anderen garantieren.
Dieses Paper führt \ours ein, ein verifizierendes Framework, das die auf großen Sprachmodellen basierende symbolische Regression durch die Ausführung von Chain-of-Thought-Reasoning als typisierter symbolischer Ableitungs-Graph in einen rigorosen Prozess transformiert, wobei harte Constraints und weiche Verifizierungssignale genutzt werden, um kompakte, maschinell überprüfbare physikalische Gesetze mit ausführbaren Ableitungsspuren zu erzeugen.
Dieses Paper schlägt ein robustes Multi-Sensor-Fusions-Framework für autonome Systeme vor, das eine Differentialpaar-Kodierung und eine dreistufige fehlertolerante Strategie nutzt, um Memristor-Hardwaredefekte zu mildern, wobei es bestehende Methoden bei hohen Fehlerraten in der Genauigkeit signifikant übertrifft und gleichzeitig eine effiziente Echtzeit-Edge-Bereitstellung ermöglicht.
Dieses Paper schlägt TRACE vor, ein Multi-Agenten-Framework, das das Knowledge Graph Question Answering durch die dynamische Diagnose und Reparatur von LLM-Planungsstrategien mittels gezielter Evidenzabfrage und -verifizierung verbessert und dadurch Halluzinationen mindert sowie die Genauigkeit gegenüber bestehenden statischen Ansätzen steigert.
LAC-Net verbessert die Erkennung von Oberflächenfehlern bei Stahl durch die Integration eines leichtgewichtigen Attention-Moduls und einer kategorienbewussten Reweighting-Strategie in YOLOv11, wodurch eine überlegene Leistung auf dem Long-Tailed-Datensatz GC10-DET durch eine verbesserte Handhabung schwacher Defekte und Klassenungleichgewichte erreicht wird, wenngleich seine Wirksamkeit je nach der spezifischen Datenverteilung variiert.
Dieses Paper stellt ARES vor, ein autonomes Multi-Agenten-Framework, das fein abgestimmte Large Language Models und Reinforcement Learning integriert, um durch adaptives, ethisches Red-Teaming herkömmliche Tools bei der Entdeckung komplexer Schwachstellen in Webanwendungen zu übertreffen.
Dieses Paper schlägt ein integriertes Framework vor und validiert dieses, welches die Eisert–Wilkens–Lewenstein-Quantenspieltheorie, QAOA-Optimierung, die durch Ramanujan-inspirierte Regularisierung verstärkt wird, sowie durch Rogers–Ramanujan moduliertes Multi-Agenten-Reinforcement-Learning kombiniert, um die Resilienz der Lieferkette und die Gleichgewichtsgewinne im Vergleich zu klassischen Ansätzen signifikant zu verbessern.
Diese quasi-experimentelle Studie zeigt, dass die Integration von generativer KI in das Pair Programming von Mittelschülern deren Programmierkenntnisse und Projektleistung signifikant verbessert sowie das Vertrauen in die KI erhöht, wenngleich sie eine Verhaltensneigung offenbart, sich stark auf die Unterstützung beim Debugging anstatt auf eine proaktive Problemzerlegung zu verlassen.