1061 Arbeiten
Diese Forschungsarbeit schlägt ein Machine-Learning-Framework vor, das Ensemble-Methoden und erklärbare KI nutzt, um durch die Analyse von Systemmetriken Datenwarehouse-Ausfälle bis zu 15 Minuten im Voraus vorherzusagen und dadurch die Ausfallzeiten durch proaktive Anomalieerkennung und automatisierte Ursachenanalyse zu reduzieren.
Durch eine umfassende Monte-Carlo-Untersuchung zeigt diese Arbeit auf, dass die Stichprobengröße beim Training zwar der primäre Treiber für die Treue der SHAP-Attribution ist, gängige Behandlungen zur Klassengleichgewichtung jedoch häufig die Merkmalsrankings und -magnituden verzerren, was die Autoren dazu veranlasst, zugunsten von Klassengewichtung statt Rebalancing zu raten, wenn die SHAP-Interpretierbarkeit eine Priorität darstellt.
Dieses Paper führt CLHA ein, eine über Schichten hinweg aggregierende Hessian-Methode für die Post-Training-Quantisierung von gewichtsteilenden Mixture-of-Experts-Transformern, die den gesamten Rekonstruktionsfehler minimiert, indem sie Hessian-Statistiken über geteilte Schichten hinweg kombiniert, dabei bestehende pro Schicht erfolgende Kalibrierungsansätze signifikant übertrifft und gleichzeitig kritische Implementierungsfallen bei der Hessian-Schätzung adressiert.
Dieses Paper stellt die Agentic Annotation Language (AAL) vor, ein neuartiges In-Band-Annotationssystem, das eine Just-In-Time-Kontextinjektion für autonome Agenten ermöglicht und im Vergleich zu herkömmlichen globalen Regeldateien den Tokenverbrauch sowie die Kontextkontamination signifikant reduziert, während es gleichzeitig eine hohe Compliance mit domänenspezifischen Constraints aufrechterhält.
Diese Arbeit präsentiert die erste Cross-Dataset-Generalisierungsstudie für die Erkennung von Fake News in Urdu und zeigt auf, dass ein auf dem Ax-to-Grind-Datensatz trainiertes Modell beim Einsatz auf den Notri-Fact-Datensatz katastrophal versagt, was auf einen systematischen Längen-Confounder im Trainingsdatensatz zurückzuführen ist, der Shortcut-Learning induziert, wodurch kritische Mängel in der aktuellen Datensatzkonstruktion und Evaluierungspraxis für ressourcenarme NLP-Verfahren verdeutlicht werden.
Das Paper stellt das Cascade Progressive Distilled Network (CPDN) vor, ein neuartiges Deep-Learning-Framework, das Knowledge Distillation von einem CatBoost-Lehrer nutzt, um Optimierungsstagnation und Nicht-Differenzierbarkeitsprobleme zu überwinden und so eine erstklassige Klassifizierungsleistung bei heterogenen tabellarischen Daten zu erzielen.
Diese Arbeit zeigt, dass ein Ansatz des zentralisierten Trainings mit dezentraler Ausführung (CTDE) unter Verwendung von QMIX das unabhängige Q-Learning (IQL) sowie Nicht-RL-Baselines bei der Koordination des Ladens von Elektrofahrzeugen in Smart Cities signifikant übertrifft, wobei höhere Akzeptanzraten und Erfolgswahrscheinlichkeiten erzielt werden, während gleichzeitig Teilbeobachtbarkeit und Verkehrsdynamiken effektiv bewältigt werden.
Diese systematische Übersicht über 445 aktuelle Studien (2024–2026) identifiziert CNN-Mamba-Hybride als die effizienteste Architektur für die medizinische Bildgebung aufgrund ihrer linearen Komplexität, während sie gleichzeitig kritische Herausforderungen wie den Verlust von räumlichen Informationen und den Speicherverbrauch hervorhebt, die durch native 3D-Blöcke adressiert werden müssen, um die klinische Integration zu ermöglichen.
Diese Arbeit schlägt ein hybrides Intrusion-Detection-Framework vor und evaluiert dieses, welches überwachtes Lernen (Random Forest und XGBoost) mit einem auf einem LSTM-Autoencoder basierenden Anomalieerkennungsmodell auf abgestimmten IoT- und Cloud-Datensätzen kombiniert, wobei aufgezeigt wird, dass dieser Ansatz zwar die Robustheit der Erkennung und den Recall für unbekannte Angriffe signifikant verbessert, jedoch einen Kompromiss mit erhöhten Falsch-Positiv-Raten und reduzierter Präzision erfordert.
Dieses Paper schlägt YOLOv10n-FBD vor, ein leichtgewichtiges Modell zur Erkennung des Reifegrades von Cherrytomaten, das CCFM-Feature-Fusion, PSA-BiFormer-Attention und eine C2f-Dual-Strategie integriert, um eine hohe Präzision (94,3 % mAP) und Geschwindigkeit (369 FPS) zu erreichen und gleichzeitig die Modellgröße sowie die Rechenkomplexität im Vergleich zu bestehenden Methoden signifikant zu reduzken.