2358 Arbeiten
Dieses Paper stellt EMA-Det vor, ein hardware-bewusstes Early-Exit-Region-Verifizierungsnetzwerk für die zweistufige UAV-Detektion, das den Recall gegenüber der mAP priorisiert, um Systemengpässe zu überwinden, eine überlegene Leistung auf Edge-Geräten erzielt und die Notwendigkeit domänenspezifischen Trainings für Thermal-IR-Anwendungen demonstriert.
Dieses Paper schlägt die Semantic Spectrum-based Fault Localization (SSFL) vor, einen Methodenebene-Ansatz, der Laufzeit-Ausgabewertverteilungen nutzt, um semantische Spektren zu konstruieren, wodurch eine überlegene Genauigkeit bei der Fehlersuche im Vergleich zu traditionellen spektrum-basierten, lernbasierten und LLM-basierten Techniken erreicht wird, ohne dass ein Modelltraining oder Online-Reasoning erforderlich ist.
Dieses Paper stellt PW-Desc vor, einen topologisch stabilen lokalen Feature-Deskriptor, der mathematisch bewiesene Stabilitätsgarantien unter Perturbationen und photometrischen Transformationen gegenüber der rohen Matching-Genauigkeit priorisiert, was ihn trotz eines hinter den State-of-the-Art-lernenden Methoden liegenden Benchmark-Ergebnisses spezifisch für sicherheitskritische Anwendungen wie die medizinische Registrierung und die forensische Analyse geeignet macht.
Das Papier stellt das Bottleneck-aware Explainable Learning-to-Dispatch (BA-XLD) vor, eine interpretierbare Prioritätsrichtlinie, die den Durchsatz signifikant verbessert, Verspätungen reduziert und Rüstzeiten in dynamischen flexiblen Fertigungssystemen minimiert, indem sie gelernte, additive Merkmalsbeiträge nutzt, um sich an stochastische Störungen anzupassen.
Dieses Paper schlägt ein trace-gesteuertes, zweistufiges lexikographisches Framework für geodistribuierte KI-Inferenz vor, das die Dienstleistungsausführbarkeit priorisiert und gleichzeitig die Kohlenstoffemissionen unter strengen physikalischen Wasserbeschränkungen optimiert, wobei signifikante ökologische Kompromisse aufgezeigt und ein reproduzierbarer Benchmark für eine nachhaltige Ressourcenallokation bereitgestellt werden.
Diese Studie zeigt, dass die Verwendung moderater Mengen historischer Daten aus der Zieldomäne zur zieladaptiven Wahrscheinlichkeitskalibrierung die Zuverlässigkeit und Interpretierbarkeit KI-basierter Risikoprädiktionen für Studierende über Kurse hinweg, die Datensatzverschiebungen unterliegen, signifikant verbessert, ohne die Ranking-Leistung zu beeinträchtigen.
Diese Studie zeigt, dass feinabgestimmte große Sprachmodelle, insbesondere ModernBERT-base, traditionelle Keyword-Methoden und Zero-Shot-Ansätze bei der Klassifizierung von sozialen Determinanten der Gesundheit innerhalb von NIH-Förderanträgen-Narrativen signifikant übertreffen, während sie gleichzeitig die Schwellenwertkalibrierung als eine entscheidende Strategie zur Bewältigung von Label-Imbalancen identifizieren.
Dieses Papier führt das Interventional Causal Framework for Condition-Based Maintenance (IC-CBM) ein, welches interventionalen kausalen Entdeckungen und struktureller Residualnormierung nutzt, um assoziatives Overfitting in der multimodalen Robotikfertigung zu überwinden und so eine robuste, domäneninvariante Klassifizierung des Betriebszustands mit signifikant verbesserter Out-of-Distribution-Genauigkeit und Präzision im Vergleich zu traditionellen korrelativen Baselines zu erreichen.
Dieses Paper führt ein Dual-SHAP-Framework ein, das zwischen korrelativen und kausalen Beziehungen in maschinellen Lern-Erklärungen durch den Vergleich von konditionalen und interventionellen Attributionen unterscheidet und dessen Effektivität bei der Diagnose der kausalen Glaubwürdigkeit über diverse Ergebnisse sozialer Umfragen hinweg demonstriert.
Dieses Paper schlägt ein neuartiges, visionsbasiertes Framework vor, das menschliche Pose-Erkennung, monokulare Tiefenmerkmale, Homographie-Mapping und ein gelerntes Residuen-Korrekturmodell kombiniert, um die Distanz zwischen einer fest installierten CCTV-Kamera und einer Person in GPS-gestörten Innenräumen präzise zu schätzen, wobei ein durchschnittlicher absoluter Fehler von 0,159 Metern erreicht wird.