Arbeiten, bei denen die ursprünglichen Autoren unsere verständliche Erklärung begutachtet haben.
Bei jeder Arbeit auf dieser Seite hat mindestens ein/e der ursprünglichen Autor*innen unsere verständliche Erklärung gesehen und begutachtet — entweder durch Bestätigung der Genauigkeit oder durch Korrekturwünsche, die wir anschließend umgesetzt haben. Eine Bestätigung bedeutet keine formelle Freigabe jedes Satzes, aber die Erklärung ist von den Menschen geprüft worden, die das Paper geschrieben haben.
607 von Autoren geprüfte Arbeiten · 141–150 / 607
Dieses Paper präsentiert ein auf Deep Learning basierendes System, das ein Multiskalen-Netzwerk und überwachtes kontrastives Lernen nutzt, um durch die Modellierung kontinuierlicher Ausdrucksveränderungen eine Echtzeit-Gesichtsausdruckserkennung zu erreichen, wobei eine zufriedenstellende Leistung auf Standarddatensätzen für Anwendungen wie die psychologische Beratung demonstriert wird.
Dieses Paper schlägt eine Klasse von Individual Weight (IW) Shrinkage-Schätzern für Mikropaneeldaten vor, die durch die Nutzung der persönlichen Historie anstelle von Querschnittsinformationen die Genauigkeit auf individueller Ebene gegenüber der aggregierten Leistung priorisieren und dadurch die der „Tyrannei der Mehrheit“ in konventionellen Methoden wie James-Stein und Empirical Bayes innewohnende Problematik überwinden.
Dieses Paper schlägt eine kommunikationszentrierte hierarchische Architektur vor, die edge-gestützte Large Language Models mit 6G-Semantik-Kommunikation für taktische autonome Verteidigungsfahrzeugnetzwerke integriert, wobei durch Simulationen nachgewiesen wird, dass dieser Ansatz herkömmliche 5G-basierte KI-Baselines signifikant übertrifft, indem er die Latenz um 75,2 % reduziert, die Missionserfolgsraten um 68,7 Prozentpunkte steigert und den Kommunikations-Overhead bei einer Skalierung auf 30 Fahrzeuge um 88,6 % senkt.
Das Paper stellt AXIOM vor, eine „Trust-First“-neurosymbolische Architektur, die Sprachmodelle ausschließlich dazu nutzt, natürliche Sprachprobleme in eine deterministische Computer-Algebra-System-Pipeline zu kanonisieren, wodurch eine Korrektheit von 94,36 % bei 100 % Vertrauen (null konfidente Fehler) auf mathematischen Benchmarks erreicht wird, während gleichzeitig sichergestellt wird, dass Systemverbesserungen niemals zuvor verifizierte Ergebnisse verschlechtern.
Dieses Paper schlägt die „Stabilitätsdestillationshypothese“ vor und argumentiert, dass der Ursprung des Lebens ein unvermeidlicher, einheitlicher Prozess ist, der durch selektive Anreicherung mittels Stabilitätsunterschieden vorangetrieben wird, was logischerweise die spontane Entstehung von Information, RNA-Selektion, Kompartimentierung sowie den Co-Ursprung von Zellen und Viren bedingt, ohne auf unwahrscheinliche Zufallsereignisse angewiesen zu sein.
Diese Arbeit zeigt auf, dass das Problem der längsten steigenden Teilfolge trotz der in Polynomialzeit lösbaren Natur bei niedrigen Temperaturen eine glasartige Dynamik und thermodynamische Sparsamkeit aufweist, wobei lokale Suchalgorithmen aufgrund eines Mangels an zugänglichen Konfigurationen anstatt durch energetische Barrieren in metastabilen Zuständen gefangen werden.
Diese Arbeit zeigt auf, dass die Kuration und Anordnung externer Informationsfeeds LLM-Agenten systematisch zu adversen Entscheidungen steuern kann, insbesondere wenn diese unsicher sind, was offenbart, dass Sicherheitsbewertungen die vorgeschaltete Recommender-Ebene prüfen müssen, anstatt das Modell isoliert zu testen.
Diese Arbeit zeigt, dass die Minimierung der irreversiblen Arbeit in schwach getriebenen Systemen unter physikalischen Beschränkungen der Protokollderivierten eine globale optimale Lösung einer konstanten Antriebsgeschwindigkeit und eines linearen Protokolls ergibt, ein Ergebnis, das aus einer verschobenen Eigenwertgleichung abgeleitet und durch numerische genetische Programmierung bestätigt wurde.
Dieses Paper führt ein vereinheitlichtes physikinformiertes Deep-Learning-Framework ein, das sowohl Differentialgleichungsresiduen als auch informationstheoretische Schranken erzwingt, um die Entropie über thermodynamische und finanzielle Systeme hinweg präzise vorherzusagen, wobei es Null Verletzungen des zweiten Hauptsatzes, überlegene Dateneffizienz sowie die Fähigkeit zur Identifizierung von Phaseninstabilitäten durch geometrische Analyse erreicht.
Diese Arbeit zeigt auf, dass Sicherheitsfehler in ressourcenarmen Szenarien aus einer Fehlkalibrierung der Entscheidungsfindung resultieren und nicht aus einem Mangel an Repräsentationen von Schädlichkeit, und schlägt eine Methode vor, um dies zu beheben, indem bestehende ressourcenreiche Sicherheitsbarrieren unter Verwendung von nur wenigen Beispielen der Zielsprache neu kalibriert werden.