1017 Arbeiten
Dieses Paper schlägt ein Auxiliary Classifier Generative Adversarial Network (AC-GAN)-Framework vor, das hochpräzise thermische Bilder seltener Photovoltaik-Defekte synthetisiert, um die Klassenimbalance zu adressieren und dadurch die probabilistische Kalibrierung sowie die Zuverlässigkeit der KI-gestützten Fehlerdiagnose im Solarbetrieb signifikant zu verbessern.
Dieses Paper stellt QNeuroGen vor, ein hybrides quanten-klassisches neuronales Framework, das durch die Integration strukturierter Vorverarbeitung mit variabler Quanten-Merkmalskodierung eine Echtzeit-Dekodierung des kognitiven Zustands aus verrauschten EEG-Signalen mit einer Genauigkeit von 89,2 % und einer Latenz von 48 ms erreicht.
Diese Studie schlägt eine hybride ResNet101-LSTM-Architektur vor, die mit Adam optimiert wurde und eine hohe Genauigkeit sowie Spezifität bei der Klassifizierung von Brustkrebs aus BreaKHis-histopathologischen Bildern bei 40-facher Vergrößerung erreicht, wobei sie andere Deep-Learning-Modelle sowohl in binären als auch in Multiklassen-Szenarien übertrifft.
Diese Studie demonstriert die Lebensfähigkeit von Quanten-Neuronalen Netzen für die Windenergieprognose, indem sie systematisch 12 Konfigurationen gegenüber klassischen Modellen evaluiert und aufzeigt, dass spezifische QNN-Designs trotz der in der NISQ-Ära inhärenten Rechenkompromisse eine wettbewerbsfähige Leistung (bis zu R² = 0,94) erzielen können.
Dieses Paper stellt QGH-256 vor, einen neuartigen Quanten-Hashing-Algorithmus, der 256-Bit-Fingerabdrücke generiert, indem er Nachrichten auf gewichtete Graphen auf einem toroidalen Gitter abbildet und die Quanten-Phasenschätzung nutzt, um spektrale Merkmale zu extrahieren, welche sowohl strukturelle als auch dynamische Eigenschaften erfassen, wobei die starke kryptographische Sensitivität und Durchführbarkeit durch Qiskit-Simulationen nachgewiesen werden.
Dieses Paper stellt DDANet vor, ein neuartiges Dense Dual-Attention Network, das dichte Skip-Connections und Dual-Attention-Mechanismen kombiniert, um eine überlegene Begrenzung der Konturen und Generalisierung in der medizinischen Bildsegmentierung zu erreichen, wobei es Baseline-Modelle mit hohen Genauigkeits-, Dice- und IoU-Werten übertrifft.
Dieses Paper präsentiert TinyOL-ARLDA, ein leichtgewichtiges, On-Device-inkrementelles Lernframework basierend auf regularisierter Linearer Diskriminanzanalyse, das eine echtzeitfähige, Cloud-unabhängige schallbasierte vorausschauende Wartung auf Mikrocontrollern mit über 94 % Genauigkeit und einem Speicherbedarf von unter 20 KB ermöglicht.
Dieses Paper schlägt CGS-RAG vor, ein neuartiges Framework, das den HDRF-Algorithmus für eine anpassbare Community-Partitionierung und semantische Berichterstattung nutzt, um die Einschränkungen traditioneller und graph-erweiterter RAG-Systeme zu überwinden, indem es globale semantische Konsistenz mit effizienter Ressourcennutzung in dynamischen Wissensszenarien ausbalanciert.
Dieses Paper präsentiert ein deterministisches, konzeptbasiertes Framework für das Flugsimulator-Training, welches subsymbolische Evidenz über eine beschränkte Machine-Learning-Policy auf zulässige Szenario-Adaptionen abbildet, wobei die Vertrauenswürdigkeit durch formale Sicherheitsgarantien gewährleistet wird und die empirische Effektivität in der Approximation einer verifizierten Baseline-Policy demonstriert wird.
Dieses Paper schlägt ein multimodales computergestütztes Framework vor, das Gangvideos, Inertialsignale, Plantar-Druck und Kniebeugedaten fusioniert, um eine hochpräzise intelligente Bewertung der Kniefunktion sowie eine Vorhersage des Trainingsrisikos für ältere Patienten zu erreichen, wobei es im Vergleich zu bestehenden Baseline-Modellen eine überlegene Stabilität und Robustheit demonstriert.