2358 Arbeiten
Dieses Paper schlägt ein neuartiges Framework vor, das einen Halluzinations-Schweregrad-Score (Hallucination Severity Score, HSS) auf Basis von semantischer Instabilität und SHAP-Attributionsanalyse innerhalb einer erweiterten SMILE-Pipeline einführt, um Halluzinationen in LLM-basierten Textzusammenfassungen effektiv zu detektieren, zu quantifizieren und zu erklären.
Diese Arbeit untersucht die Robustheit von Maximum-Likelihood-Paar rankingschätzern gegenüber koordinierten, budgetbeschränkten Perturbationen unter Verwendung der Adaptive Subset Selection Attack (ASSA)-Heuristik und zeigt auf, dass die Fragilität des Rankings stark datenabhängig und regimessensitiv ist, anstatt universell vorhersagbar zu sein.
Das Papier schlägt TDCO-Net vor, ein Triple-Dynamic Collaborative Optimization Network, das die multimodale Sentiment-Analyse durch die Integration von dynamischem modalem Hilfslernen, KAN-basierter visueller-akustischer Polaritätskalibrierung und konfidenzgesteuerter Stichprobenwahl verbessert, um Variationen in der Zuverlässigkeit der Modalitäten sowie Rauschen bei Grenzwert-Stichproben effektiv zu adressieren.
Dieses Paper schlägt CAMF-Zero vor, ein widerspruchsbewusstes Reasoning-Framework, das einen neuartigen Consistency-Aware Contradiction Score (CACS) nutzt, um Zero-Day-Bedrohungen in föderierten Multi-Cloud-Umgebungen durch die explizite Bewertung semantischer Unstimmigkeiten über heterogene Telemetriequellen hinweg zu detektieren und dadurch die Detektionsrate im Vergleich zu bestehenden Methoden signifikant zu verbessern und Fehlalarme zu reduzieren.
Dieses Paper schlägt ein robustes und erklärbares multimodales Fusionsframework vor, das visuelle und textuelle Merkmale mittels eines gestapelten Ensemble-Learning-Ansatzes integriert, um eine State-of-the-Art-Genauigkeit (98,41 %) bei der Emotionserkennung zu erreichen, wobei unimodale Methoden übertroffen werden und gleichzeitig die Interpretierbarkeit durch SHAP und LIME gewährleistet wird.
Dieses Paper schlägt eine robuste GDD-TL-Methode vor, welche das Transfer Learning durch spezifische Schichten verbessert, um eine Genauigkeit von 94,33 % bei der Klassifizierung von Schmetterlingsarten zu erreichen, wobei sie Standard-CNN-Architekturen übertrifft und eine starke Generalisierung über diverse Datensätze hinweg demonstriert.
Diese Arbeit zeigt auf, dass ein transparenter, domänenbereinigter Sprachmodell-Fingerabdruck, der ausschließlich aus Abstracts abgeleitet wird, die Vorhersage der Replizierbarkeit von Forschung durch das Isolieren einer distinkten „Verifizierbarkeit“-Achse signifikant verbessern kann, wodurch erklärt wird, warum Zitationen als Stellvertreter für wissenschaftliche Robustheit versagen.
Diese Studie zeigt, dass die Verwendung von Data Science und künstlicher Intelligenz zur systematischen Analyse von Publikationsmetadaten und zur Konstruktion graphbasierter Modelle eine skalierbare, effiziente und unvoreingenommene Alternative zu manuellen Methoden für den Aufbau klinischer und akademischer Gesundheitsforschungsnetzwerke mit Fokus auf Alkohol, Sucht und psychische Gesundheit in Nordengland darstellt.
Diese multizentrische Studie präsentiert ein neuartiges Framework, das ein Gabor-Prior-gesteuertes Diffusionsmodell zur synthetischen Datenausweitung mit einem auf Zustandsraum-Modellen basierenden Segmentierungsnetzwerk kombiniert, welches kollektiv die Genauigkeit der Abgrenzung von Perikardergüssen verbesserte und eine robuste Generalisierbarkeit über interne sowie externe echokardiographische Datensätze hinweg demonstrierte.
Dieses Paper stellt AIDA-AND vor, ein kooperatives Multi-Agenten-Framework, das semantische Repräsentationen mit interpretierbaren Metadaten-Evidenzen durch spezialisierte Agenten integriert, um eine wettbewerbsfähige, modulare und effiziente Autorennamendisambiguierung zu erreichen, wobei die Ausführungszeit signifikant reduziert und gleichzeitig die Leistung auf Benchmark-Datensätzen verbessert wird.