3799 Arbeiten
Das Paper schlägt HySEAtt-DDI vor, ein multimodales Deep-Learning-Framework, das chemische, biologische und semantische Arzneimittelinformationen durch eine hybride Architektur aus CNNs, Squeeze-and-Excitation-Blöcken und Self-Attention-Mechanismen integriert, um eine State-of-the-Art-Leistung bei der Vorhersage von Arzneimittel-Wechselwirkungen zu erzielen.
Diese Studie zeigt, dass biomedizinische Transformer-Modelle, insbesondere BiomedBERT, die ausschließlich auf automatisierten Ergebnswahrscheinlichkeiten aus Texten öffentlicher klinischer Registerdaten trainiert wurden, den Erfolg von Neurowissenschaftsstudien in späteren Phasen mit hoher Genauigkeit, Reproduzierbarkeit und minimalem Rechenaufwand effektiv vorhersagen können, während sie durch rigorose zeitliche Validierung und Eingabebeschränkungen Datenlecks vermeiden.
Dieses Paper führt die Hospital Trust Aggregation (HTA) ein, eine neuartige Methode des föderierten Lernens für die medizinische Bildgebung, die richtungsbezogene Übereinstimmung, Plausibilität der Magnitude und Referenzgenauigkeit kombiniert, um böswillige Clients unter Non-IID-Daten zu mildern, während sie gleichzeitig einen umfassenden Benchmark etabliert, der die Überlegenheit von HTA bei der Handhabung von Kollusion und Angriffen auf Datenebene aufzeigt, aber auch die fundamentale Einschränkung magnitudenbasierter Vertrauenssignale bei der Unterscheidung zwischen ehrlichen Ausreißern und Adversären unter schwerer medizinischer Heterogenität hervorhebt.
Diese Arbeit präsentiert ein wiederverwendbares Framework zur Mechanisierung asynchroner Nachrichtenübertragungsalgorithmen in Rocq, demonstriert durch eine vollständige, zielzustandsfreie Formalisierung des Echo-Algorithmus, die die Korrektheit zum Entscheidungszeitpunkt mittels induktiver Invarianten und wohldefinierter Induktion unter Verzicht auf die Annahme von Lieferfairness beweist.
Dieses Paper schlägt eine parametereffiziente, parallele quanten-klassische Hybridarchitektur für die Bildklassifizierung vor, die einen gemeinsamen klassischen Merkmalsextraktor sowie mehrere Quantenzweige mit unterschiedlichen Kodierungsstrategien und Verschränkungstopologien nutzt, um eine wettbewerbsfähige Genauigkeit bei MNIST-, CIFAR-10- und thermischen Bilddatensätzen zu erreichen.
Dieses Paper stellt ein Neural Reduced Dynamics (NRD)-Framework vor, das kontrollrelevante Zustandsabstraktionen erlernt, um ein hochdurchsatzfähiges Reinforcement Learning zu ermöglichen, wobei es Policys in einem Modell erfolgreich trainiert, das vier Größenordnungen schneller ist als High-Fidelity-Simulatoren und effektiv auf komplexe robotische Aufgaben über diverse Terrains ohne Leistungsdegradierung überträgt.
Dieses Paper schlägt PBAC-ZTA vor, ein vertrauensadaptives, auf Polynomen basierendes Zugriffskontroll-Framework für Zero-Trust-Cloud-Umgebungen, das kontinuierliche Autorisierung, dynamische Revokation und Verhaltensanomalieerkennung integriert, um traditionelle Modelle in Bezug auf Skalierbarkeit, kryptografische Sicherheit und Effizienz der Echtzeit-Entscheidungsfindung zu übertreffen.
Dieses Paper führt ein Attack-Type-Aware Dynamic Bayesian Defense (ATA-DBD)-Modell ein, das ein dreistufiges Nullsummenspiel-basiertes Nicht-Nullsummenspiel durch die Unterscheidung zwischen Brute-Force- und SQL-Injection-Angriffen mittels separater Auszahlungsstrukturen und eines dynamischen Glaubensaktualisierungsprozesses verbessert und dabei im Vergleich zu statischen und gepoolten Strategien in kontrollierten Simulationen eine überlegene Verteidigungserfolgsrate, Ressourceneffizienz und einen höheren Nutzen demonstriert.
Diese Arbeit präsentiert eine computergestützte Fallstudie zur Prüfung eines KI-Agenten-gestützten Wirkstoffentdeckungs-Workflows für SMPD1, die aufzeigt, wie eine adversarielle Überprüfung kritische Fehler aufdeckte, welche die zentralen Schlussfolgerungen änderten, und die Grenzen aktueller Selbstprüfungsmechanismen verdeutlicht, während sie gleichzeitig ein wiederverwendbares Audit-Protokoll anstelle eines validierten Wirkstoffkandidaten bereitstellt.
Dieses Paper schlägt das Spatial-Gradient-Frequency Fusion Network (SGFF-Net) vor, ein Multi-Domain-Deepfake-Detektionsframework, das räumliche, Gradienten- und Frequenzmerkmale integriert, um die Generalisierbarkeit über verschiedene Generatoren hinweg zu verbessern, während gleichzeitig hervorgehoben wird, dass trotz der verbesserten Transferierbarkeit durch Multi-Source-Training und Datenaugmentation signifikante Domänenlücken in realen Szenarien bestehen bleiben.