1017 Arbeiten
Dieses Paper schlägt HyperTuneMed vor, ein intelligentes Framework, das einen hyperparametrisierten logistischen Regressionsalgorithmus nutzt, um Krankheiten basierend auf Benutzersymptomen mit überlegener Genauigkeit (bis zu 98,983 %) vorherzusagen und personalisierte präventive Gesundheitsrekommandationen bereitzustellen.
Diese Arbeit zeigt auf, dass, während automatisierte Werkzeuge wie Slither und Mythril bekannte Schwachstellenmuster effektiv erkennen, die formale Spezifikation essenziell ist, um die logische Korrektheit zu verifizieren und die Sicherheit in der Blockchain-basierten EEG-Datenverwaltung zu gewährleisten, da sie eine gezielt eingeschleuste Array-Out-of-Bounds-Schwachstelle identifizierte, die von automatisierten Werkzeugen übersehen wurde.
Diese Arbeit schlägt ein innovatives Framework zur Vorhersage von Verkehrsschildern vor, das eine Non-local-Means-Vorverarbeitung, eine modifizierte U-Net-Architektur, eine Dense-CNN-Klassifizierung und Rock-Hyrax-Schwarmoptimierung zur Hyperparameter-Abstimmung integriert und dabei eine State-of-the-Art-Genauigkeit von 99,64 % auf den TT100K- und 99,6 % auf den GTSDB-Datensätzen erreicht.
Dieses Paper stellt EDNet-20 vor, ein neuartiges Deep-Learning-Framework, das durch photometrische Datenaugmentation und Techniken der erklärbaren KI optimiert wurde und eine überlegene Genauigkeit bei der Multi-Label-Erkennung von Augenerkrankungen im Vergleich zu State-of-the-Art-Modellen erreicht, wodurch es ein vielversprechendes Werkzeug für die klinische Frühdiagnose darstellt.
Dieses Paper führt Empathic Extended Prompting ein, ein Echtzeit-Framework, das Gesichtsausdrucks-Deskriptoren in Interaktionen mit Large Language Models integriert, um die wahrgenommene emotionale Intelligenz und Stimmungsreaktivität zu verbessern, ohne die Benutzerfreundlichkeit zu beeinträchtigen oder das Uncanny-Valley-Phänomen auszulösen.
Diese Arbeit bewertet ein modulares, auf LLMs basierendes Multi-Agenten-System für den Zugriff auf Fertigungsinformationen und stellt fest, dass, während Top-Modelle unter spezifischen Datenbedingungen die Genauigkeit und Geschwindigkeit durchschnittlicher menschlicher Nutzer bei Rückverfolgbarkeitsaufgaben übertreffen, die Effektivität des Systems von der Modellauswahl, der Datenqualität und dem Prompt-Design abhängig bleibt, was eine kontinuierliche menschliche Aufsicht erforderlich macht.
Dieses Papier präsentiert ein leichtgewichtiges, multiskalares Merkmalsextraktionsnetzwerk, das durch den Einsatz einer dreistufigen Downsampling-Architektur und eines Hybridmoduls, welches parallele dilatierte Faltungen mit einem selektiven Zustandsraummodell kombiniert, eine Echtzeit-Handgestensteuerung für ressourcenbeschränkte UAVs ermöglicht.
Diese Studie schlägt den Maritime Anomaly Detection Quality Index (MADQI) vor, ein neuartiges zusammengesetztes Bewertungsframework, das den Mangel an gelabelten Daten bei der unüberwachten AIS-Anomalieerkennung durch die Integration von geospatialer Analyse mit vier spezifischen Metriken adressiert, um die Modellleistung für eine verbesserte Meeresüberwachung und nachhaltige Governance robust zu bewerten.
Dieses Paper schlägt ADDETECTOR vor, ein sicheres und präzises System zur Erkennung der Alzheimer-Krankheit für die intelligente Altenpflege, das eine themenbasierte Erweiterung sprachlicher Merkmale mit einem dynamischen Differential-Privacy-Mechanismus integriert, um die Herausforderungen geringer Genauigkeit und des Abflusses von Privatsphäre zu bewältigen, während es gleichzeitig eine überlegene Leistung auf dem ADReSS-Datensatz demonstriert.
Diese Arbeit präsentiert einen KI-gesteuerten Ansatz zur automatisierten 3D-Segmentierung und Visualisierung von 11 anatomischen Strukturen im Unterarm, mit dem Ziel, die Kompetenz in der muskuloskelettalen Ultraschalldiagnostik zu steigern und als Werkzeug für die Lehre am Krankenbett zu dienen.