2358 Arbeiten
Dieses Paper stellt ADAM vor, ein Multi-Agenten-Framework für große Sprachmodelle, das durch die Nutzung semantischer Reversibilitätsgrenzen eine hohe Autonomie mit gezielter menschlicher Aufsicht kombiniert, um die geschlossene Materialexperimentation sicher zu steuern.
Diese Umfrage präsentiert eine umfassende multidimensionale Taxonomie zur Erkennung von Fehlverhalten in kooperativen intelligenten Transportsystemen, die fortschrittliche Methoden wie föderiertes Lernen und Blockchain auf reale Herausforderungen abbildet, während sie gleichzeitig die aufkommenden Bedrohungen durch generative KI adressiert und zukünftige Richtungen für resiliente, datenschutzwahrende Abwehrmechanismen skizziert.
Dieses Papier behauptet, eine revolutionäre, batteriefreie reversible 3,0-mm-Computing-Plattform zu präsentieren, die das Landauer-Limit umgeht und die Notwendigkeit von physischem RAM sowie traditioneller Vernetzung durch die Nutzung von adiabatischer Ladungsrückgewinnung und Quantenresonanz eliminiert, wodurch sie angeblich einen nahezu null verbrauchenden Stromverbrauch, eine instantane KI-Modellsynthese sowie eine totale Immunität gegenüber Umwelt- und Sicherheitsbedrohungen erreicht.
Diese Arbeit evaluiert hybride KI-Frameworks, die optimierte Merkmalsauswahl und Techniken der erklärbaren KI integrieren, um robuste, interpretierbare und generalisierbare Modelle zur Vorhersage epileptischer Anfälle unter Verwendung multimodaler biomedizinischer Daten zu entwickeln.
Diese Studie schlägt ein Framework vor, das Spatiotemporale Graph Neural Networks mit erklärbarer KI integriert, um unter Verwendung einer menschlichen Epidemie-Datenbank die Risiken des Auftretens von Pathogenen präzise vorherzusagen, wobei eine überlegene Leistung gegenüber Baseline-Modellen erzielt sowie Unsicherheiten quantifiziert und Schlüsselfaktoren identifiziert werden, um proaktive Maßnahmen im Bereich der öffentlichen Gesundheit zu ermöglichen.
Dieses Paper führt den Language Evidence Flow (LEF) ein, um Transformer-Vorhersagen in pro-Layer-Evidenz mit Vorzeichen zu zerlegen, und schlägt ScopeGate vor, ein permutationsbasiertes Diagnosewerkzeug, das die modell- und aufgabenspezifischen Einschränkungen bestehender Fehlerdetektoren aufzeigt und demonstriert, dass keine einzelne Metrik universell das Modellversagen vorhersagt.
Dieses Paper stellt Quantum-Cognitive Fusion (Q-CogFusion) vor, ein neuartiges, quanteninspiriertes Ensemble-Learning-Framework, das Feature-Entanglement, geometrie-bewusste Klassengleichgewichtung und auf Attention basierende Aggregation integriert, um eine hochgenaue, interpretierbare Multiklassen-Diagnose von Atemwegserkrankungen auf imbalancierten klinischen Daten zu erreichen.
Diese Pilotstudie zeigt, dass das Prompting von großen Sprachmodellen mit kontemplativen Prinzipien aus buddhistischen, vedischen und yogischen Traditionen deren Sicherheit, ethische Ausrichtung und kooperative Qualität im Vergleich zu nicht-kontemplativen Baselines signifikant verbessert und somit eine kostengünstige, traditionsagnostische Intervention bietet, die keines Modell-Retraining erfordert.
Dieses Paper präsentiert einen kontrollierten Benchmark, der REST-Polling, WebSocket-Push und CockroachDB-CDC-Architekturen für die Echtzeit-Datenbanksynchronisation vergleicht und aufzeigt, dass WebSocket-Push zwar die niedrigste mediane Latenz bietet und REST-Polling vorhersehbare, begrenzte Verzögerungen liefert, CDC jedoch kompetitive Mediane erreicht, aber aufgrund von Batching und spezifischen Protokollinkompatibilitäten unter signifikanter Tail-Latenz leidet.
Diese Studie vergleicht empirisch vier Methoden der Positionskodierung in einem kleinen zeichenbasierten Transformer, der auf Shakespeare-ähnlichen Texten trainiert wurde, wobei sie feststellt, dass Rotary Positional Embeddings (RoPE) im Vergleich zu gelernten Embeddings, Sinus-Kodierung und ALiBi konsistent besser in Bezug auf den Validierungsverlust und die Qualität der Textgenerierung abschneiden, wenngleich die Ergebnisse spezifisch für die experimentelle Einstellung sind.