1017 Arbeiten
Dieses Paper stellt TRNEWS-2025 vor, einen groß angelegten, manuell annotierten türkischen Nachrichten-Datensatz, der neun vielfältige Kategorien bis zum Jahr 2025 abdeckt und durch Experimente mit sowohl Transformer-basierten als auch klassischen Deep-Learning-Modellen für die effektive Nutzung in der Textklassifikation und NLP-Forschung validiert wurde.
Dieses Paper schlägt MM-QLOF vor, eine dezentrale Multi-Metrik-Q-Learning-Zielfunktion, die Paket-Erfolgsrate, erwartete Übertragungen und Kongestionsniveaus integriert, um eine autonome, adaptive Auswahl des Elternknotens in IoT-Netzwerken zu ermöglichen, wodurch die Paketlieferraten signifikant verbessert und die Latenz im Vergleich zu bestehenden RPL-Standards reduziert wird.
Diese Arbeit präsentiert eine konzeptionelle narrative Literaturübersicht aus den Jahren 2020 bis 2025 zu Multi-Case-globalen Cyberangriffen, die die Unzulänglichkeiten traditioneller Sicherheitsmodelle hervorhebt und ein neues vierstufiges Framework vorschlägt, um das Verständnis und die Implementierung von Cyber-Resilienz voranzutreiben.
Dieses Papier schlägt eine Methode zur Vermeidung von Manipulation privater Sensordaten vor, die verteilte Authentifizierung, eine verbesserte AES-verschlüsselte T-Box und eine auf differenzieller Varianz basierende Flood-Attacken-Erkennung kombiniert, um die Sicherheit, Integrität und Vertraulichkeit von Daten während der Übertragung und Speicherung zu gewährleisten.
Dieses Paper schlägt FPSD-MCP vor, ein neuartiges Federated-Learning-Framework, das sichere Mehrparteienberechnung und homomorphe Verschlüsselung mit einer adaptiven Aggregationsstrategie integriert, um eine skalierbare, datenschutzwahrende und kommunikationseffiziente Spam-Erkennungslösung für heterogene Multi-Cloud-Umgebungen zu erreichen.
Dieses Paper schlägt das Intent-Guided Diffusion Model (IGDM) vor, ein neuartiges Framework, das die User-Cold-Start-Empfehlung verbessert, indem es übertragbare latente Intent-Prototypen aus historischen Daten extrahiert, diese adaptiv mit spärlichen Nutzerinteraktionen fusioniert und einen Diffusions-basierten Entrauschungsprozess leitet, um die Präferenzschätzung zu verfeinern, wodurch bestehende Baselines auf mehreren realen Datensätzen übertrifft.
Dieses Paper stellt TRIDIS vor, ein offenes, harmonisiertes Korpus mittelalterlicher und frühneuzeitlicher handschriftlicher Dokumente, das zur Unterstützung von Handschrifterkennung (Handwritten Text Recognition) und Eigennamenerkennung (Named Entity Recognition) entwickelt wurde, während es gleichzeitig eine innovative, auf Ausreißern basierende Evaluierungsstrategie vorschlägt, um die Einschränkungen konventioneller Zufallsaufteilungen beim Benchmarking von Kulturerbedokumenten zu adressieren.
Dieses Paper stellt den Aye-Aye-Optimizer (AAO) vor, einen neuartigen bioinspirierten Metaheuristik-Algorithmus, der die perkussive Nahrungssuchstrategie des Aye-Aye-Lemuren durch drei adaptive Phasen nachahmt, um eine überlegene Balance zwischen Exploration und Exploitation, schnellere Konvergenz und eine robuste Performance bei Benchmark- und realen Optimierungsproblemen zu erreichen.
Dieses Paper schlägt ein auf einem Vision-Language-Modell basierendes Framework mit Constraint-Beispiel-Verifizierungs-Feedback und Konfidenzbewertung vor, um eine hochgenaue strukturierte Extraktion und standardisierte Rekonstruktion heterogener Fertigungsprozessdokumente unter Low-Resource-Beschränkungen zu erreichen, wodurch Halluzinationen effektiv reduziert und die Wissensdigitalisierung in der intelligenten Fertigung ermöglicht werden.
Diese Studie bewertet die Cybersicherheitsrisiken in Smart-Home-IoT-Ökosystemen in der MENA-Region durch eine Umfrage unter 164 arabischsprachigen Nutzern, die hohe Datenschutzbedenken und inkonsistente Schutzpraktiken aufzeigt, während sie gleichzeitig mehrschichtige Sicherheitsempfehlungen vorschlägt, die von Nutzerbewusstsein bis hin zu Blockchain-gestützten Lösungen reichen.