321 Arbeiten
Die Studie stellt CycleULM vor, ein einheitliches, label-freies Deep-Learning-Framework, das durch einen physikbasierten Domänentransfer die Leistung und Geschwindigkeit der Ultraschall-Lokalisationsmikroskopie (ULM) erheblich verbessert und so den Weg für eine robuste Echtzeit-Anwendung in der klinischen Praxis ebnet.
Die vorgestellte Arbeit beschreibt eine neuartige Architektur für einen feldfreien Spin-Flash-Analog-Digital-Wandler mit 3-Bit-Auflösung, der mittels SOT-MTJs, VCMA- und STT-Schaltmechanismen sowie einem innovativen Dual-Set-Design ohne Reset-Schritt eine Umwandlungsrate von 304,1 MHz bei einem Leistungsverbrauch von 476 µW erreicht.
Dieser Beitrag stellt einen adaptiven Near-Field-Beam-Training-Rahmen auf Basis linearer Banditen und Thompson Sampling vor, der durch die Nutzung von räumlichen Korrelationen und verschiedenen Suchstrategien die Piloten-Overhead um bis zu 90 % reduziert und gleichzeitig die SNR-Leistung in Mehrwegeumgebungen signifikant verbessert.
Diese Übersichtsarbeit präsentiert eine strukturierte Taxonomie für Cloud-basierte 6G-Deployments, analysiert kritisch zentrale Herausforderungen wie Sicherheit und Skalierbarkeit, bewertet die Strategien führender Cloud-Anbieter und identifiziert zukünftige Trends sowie offene Probleme auf dem Weg zu robusten, cloudbasierten Mobilfunknetzen.
Diese Arbeit stellt einen privacy-preserving dynamischen Durchschnittskonsens-Algorithmus vor, der mithilfe von zufälligen sinusförmigen Maskierungssignalen die Konvergenz gewährleistet und gleichzeitig das Abhören von Referenzsignalen verhindert, was insbesondere für das SoC-Ausgleichsmanagement in vernetzten Batteriespeichersystemen demonstriert wird.
Das Paper stellt NanoBench vor, ein Open-Source-Benchmark-Datensatz für den Crazyflie 2.1-Nano-Quadrocopter, der erstmals synchronisierte Aktor-, Regler- und Schätzerdaten mit millimetergenauer Ground Truth bereitstellt, um Systemidentifikation, Regelung und Zustandsschätzung unter den spezifischen physikalischen und rechnerischen Randbedingungen von Nano-Luftfahrzeugen zu evaluieren.
Diese umfassende Übersicht analysiert die Herausforderungen bei der Integration von Notfallortungssendern (ELT) in mehr elektrische Flugzeuge, wobei der Fokus auf Energieautonomie, elektromagnetischer Verträglichkeit, Batteriezertifizierung und Überlebensfähigkeit liegt, um die Zuverlässigkeit und Effizienz zukünftiger Such- und Rettungsdienste zu gewährleisten.
Diese Studie stellt erstmals eine Deep-Learning-Methode vor, die mithilfe eines CNN und eines CDAE zur Nachbearbeitung retinale OCT-Bilder eines kostengünstigen Selbstuntersuchungsgeräts segmentiert, wobei zwar die Gesamtretna präzise, die Detektion von pigmentepithelialen Ablösungen jedoch herausfordernd ist.
Diese Arbeit stellt eine Methode zur Schätzung der Ausfallraten stationärer periodischer Rate-Monotonic-Echtzeitsysteme vor, die auf einer Approximation der Antwortzeitverteilung durch eine inverse Gaußsche Mischverteilung und einem angepassten Expectation-Maximization-Algorithmus basiert.
Diese Arbeit stellt einen neuartigen Ansatz zur gemeinsamen Optimierung des physischen Layouts und der Regelung eines kooperativen Mehr-UAV-Transportsystems vor, der durch eine robuste H2-inspirierte Metrik und einen experimentell validierten Algorithmus die Störunterdrückung bei der Lastbeförderung maximiert.
Die Arbeit stellt DMaC vor, einen neuartigen verteilten Algorithmus, der in gerichteten Netzwerken mit unzuverlässigen Kommunikationsverbindungen eine exakte Max-Consensus-Berechnung mit deterministischer Konvergenz und einem autonomen Terminierungsmechanismus garantiert.
Diese Arbeit stellt eine Methode vor, die Large Language Models mit evolutionären Algorithmen kombiniert, um interpretierbare Steuerungsrichtlinien als ausführbare Programme für dynamische Systeme zu synthetisieren, anstatt auf undurchsichtige neuronale Netze zurückzugreifen.
Die Studie stellt 3D-PIUNet vor, eine hybride Methode zur EEG-Quellenlokalisation, die physikalische Inverslösungen zur Initialisierung mit einem 3D-Convolutional-U-Net kombiniert, um die räumliche Genauigkeit der Gehirnquellen-Rekonstruktion sowohl bei simulierten als auch bei realen Daten signifikant zu verbessern.
Diese Arbeit stellt eine praktikable Methode zur Phasenauswahl für Multi-User-RIS-Systeme vor, die durch die Unterteilung der RIS in subsurface-basierte Einheiten pro Nutzer und die Einführung iterativer Optimierungsverfahren (ISD/CISD) eine hohe Leistung bei deutlich reduzierter Rechenkomplexität in korrelierten Ricean- und Rayleigh-Umgebungen erreicht.
Diese Arbeit bietet eine systematische Übersicht über die Entwicklung und den aktuellen Stand der Signalverarbeitung und des maschinellen Lernens auf zeitvariierenden Graphen, vergleicht bestehende Methoden und identifiziert zukünftige Forschungsrichtungen.
Die Autoren stellen eine neue gezielte Explorationsstrategie für unsichere lineare zeitinvariante Systeme mit energiebegrenzten, nicht-stochastischen Störungen vor, die mittels eines Semidefiniten Programms eine garantierte Genauigkeit der Parameterschätzung unter Berücksichtigung anfänglicher Unsicherheiten sicherstellt.
Die Studie zeigt, dass aktuelle Deep-Learning-Sprachentstörungssysteme durch psychoakustisch getarnte adversariale Störgeräusche so manipuliert werden können, dass sie unverständlichen Unsinn erzeugen, obwohl die Störungen für Menschen kaum wahrnehmbar sind, was die Notwendigkeit von Gegenmaßnahmen für den Einsatz in sicherheitskritischen Anwendungen unterstreicht.
Dieses Papier stellt einen modulare Überwachungssteuerungsansatz für diskrete Ereignissysteme vor, der die Rechenkomplexität reduziert und die Vorhersage sowie Minderung von Kaskadenausfällen in Stromnetzen mittels MATLAB-Simulationen an IEEE-Testsystemen effektiv verbessert.
Diese Arbeit stellt eine neue Few-Shot-Bildfusion vor, die auf dem Konzept unvollständiger Priors und dem Granular-Ball-Pixel-Computing-Algorithmus (GBPC) basiert, um eine adaptive, generalisierbare und dateneffiziente Lernmethode zu ermöglichen, die auch mit wenigen Trainingspaaren überlegene Ergebnisse liefert.
Dieses Papier stellt einen deterministischen, diffusionsbasierten Rahmen vor, der durch die Umkehrung eines durch Weißrauschen angeregten Vorwärtsprozesses eine Rückkopplungssteuerung für nichtlineare Systeme ableitet, um die Wahrscheinlichkeitsdichte auf eine gewünschte Zielverteilung zu lenken.