1062 Arbeiten
Dieses Paper schlägt ein maschinelles Lernparadigma vor, das die traditionelle Bildrekonstruktion umgeht, um relevante Entitäten wie Krankheiten direkt aus minimalen Messungen zu detektieren, wodurch die Akquisitionskosten und die Zeit erheblich reduziert werden, während die diagnostische Genauigkeit beibehalten wird.
Dieses Paper schlägt ein hybrides Aufgabenallokations-Framework für heterogene Multi-Roboter-Systeme vor, das ein Large Language Model zur Generierung hochwertiger Initiallösungen basierend auf natürlicher Sprache mit einem speichergesteuerten Speed-Up Slow-Down Local-Search-Algorithmus kombiniert und dabei eine Reduktion der Missions-Makespan um 17,07 % im Vergleich zu traditionellen Methoden bei gleichzeitiger Beibehaltung der Skalierbarkeit erreicht.
Dieses Paper stellt den Virtual Speech Therapist (VST) vor, eine KI-gestützte, durch Kliniker ergänzte Plattform, die auf Deep Learning basierende Stotterklassifizierung mit dem Reasoning von Multi-Agenten-Large-Language-Models integriert, um personalisierte, evidenzbasierte Therapiepläne zu generieren, zu kritisieren und zu verfeinern, die der fachlichen Überprüfung und Implementierung durch Experten dienen.
Dieses Paper stellt die „Dice Roll Method“ vor, ein statistisch fundiertes Protokoll, das fehlerhafte parametrische Annahmen durch ein auf der Negativbinomialverteilung basierendes GLMM-Framework und simulationsbasierte Power-Analyse ersetzt, um standardisierte Iterationszahlen und Zuverlässigkeitsschwellenwerte für die Messung stochastischer Bias in den Ausgaben großer Sprachmodelle festzulegen.
MobiShield ist ein neuartiges Federated-Learning-Framework für die Erkennung von Android-Malware, das gleichzeitig nicht-IID-Datenheterogenität, Concept Drift und Datenschutzverletzungen adressiert, indem es adaptive Merkmalsgewichtung, Hoeffding-basierte Drift-Erkennung und einen dynamischen Differential-Privacy-Mechanismus integriert, der die Rauschpegel als Reaktion auf Verteilungsverschiebungen anpasst.
Dieses Paper schlägt ein Framework für föderiertes Lernen zur Wahrung der Privatsphäre vor, das ein hybrides Modell aus einem Deep Neural Network und XGBoost integriert, um Cyberbedrohungen in Internet-of-Medical-Things-Umgebungen effektiv zu erkennen und gleichzeitig Herausforderungen im Zusammenhang mit Datenschutz, nicht-identisch verteilten (non-IID) Datenverteilungen und adversen Angriffen zu bewältigen.
Dieses Paper schlägt ein leichtgewichtiges, modulares, auf Retrieval basierendes Framework vor, das Halluzinationen in Large Language Models durch die Nutzung von TF-IDF-Evidenz-Retrieval und gewichteter Verifizierung effektiv erkennt und korrigiert und dabei eine hohe Erkennungsgenauigkeit sowie eine signifikante Reduktion von Halluzinationen ohne den Rechenaufwand von Multi-LLM-Inferenz erreicht.
Dieses Paper schlägt ein neuartiges konzeptionelles Framework, Secure QoS-IPv6, vor, das KI-gestützte Anomalieerkennung, eine leichtgewichtige Consortium-Blockchain und Deep-Reinforcement-Learning-basiertes Routing innerhalb einer vierschichtigen SDN- und 6TiSCH-Architektur synergetisch integriert, um die Herausforderungen in Bezug auf Sicherheit, Vertrauen und Dienstgüte (Quality of Service) in ressourcenbeschränkten, heterogenen IPv6-IoT-Netzwerken ganzheitlich zu adressieren.
Diese Studie zeigt, dass Zitationsrisiko-Ergebnisse für klinische Gastroenterologie-Artikel unter Verwendung ausschließlich von Veröffentlichungshistorien-Informationen präzise vorhergesagt werden können, wobei semantische Baselines und Ganzdokument-Embeddings eine hohe Leistungsfähigkeit bei der Identifizierung von Artikeln mit geringer Zitationsrate innerhalb eines begrenzten Literaturkorpus erreichen.
Das Papier schlägt CAFR vor, ein Zwei-Pfad-Detektions-Framework, das die Erkennung unbekannter Objekte durch den Einsatz eines asymmetrischen Rektifikationsmechanismus zur Vermeidung von Überkonfidenz bei bekannten Kategorien sowie durch eine prototypengesteuerte Vordergrundmodellierung zur Verbesserung der Objektivitätsabschätzung verbessert und dadurch überlegene Präzisions- und F1-Werte erzielt, während gleichzeitig eine stabile Leistung bei bekannten Kategorien beibehalten wird.