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 · 341–350 / 607
Dieser Artikel leitet mathematisch Skalierungsgesetze und Wechselkurse her, um den Wert von Gehirndaten zur Verbesserung von Machine-Learning-Modellen zu quantifizieren, und identifiziert spezifische Bedingungen hinsichtlich der Ausrichtung von Aufgabe und Gehirn, von Rauschen und Stichprobengrößen, unter denen die Erhebung neuronaler Aufzeichnungen für Leistung und Robustheit vorteilhaft ist.
Der Artikel stellt FairHealth vor, eine Open-Source-Python-Bibliothek, die darauf ausgelegt ist, kritische Lücken in der KI-gestützten Gesundheitsversorgung für ressourcenarme Settings zu schließen, indem sie ein einheitliches, modulares Framework bereitstellt, das Fairness-Audits, privatsphäreschonendes federiertes Lernen, erklärbarkeit bei geringer Bandbreite sowie spezialisierte Werkzeuge für Datensätze des Globalen Südens integriert.
Dieser Artikel schlägt ein nicht-analytisches Modell vor, das zeigt, dass der Boson-Peak in amorphen Festkörpern ausschließlich aus Fluktuationen der Koordinationszahlen resultiert, während Fluktuationen der Federsteifigkeit hauptsächlich nur zur Dämpfung beitragen.
Dieser Beitrag stellt eine Familie fehlertoleranter -Quantenfehlerkorrekturcodes ohne CSS-Struktur vor, die über Graphzustände und die Methode der nackten Ancilla-Qubits generiert werden, und zeigt deren Widerstandsfähigkeit gegen Hook-Fehler sowie ihre überlegene Leistung im Vergleich zu bestehenden Flag-Qubit- und nackten Ancilla-Ansätzen unter verschiedenen Rauschmodellen auf.
Diese Studie vergleicht Hi-21-cm-Emissions- und -Absorptionsbeobachtungen aus den GWA- und LAB-Übersichtssurveys mit TIGRESS-numerischen Simulationen, um zu bestimmen, dass das neutrale interstellare Medium zu etwa 19,8 % aus kalten, zu 32,5 % aus instabilen und zu 47,8 % aus warmen Phasen besteht, eine Verteilung, die mit den Simulationsergebnissen übereinstimmt und die Notwendigkeit zukünftiger empfindlicher Radioobservierungen unterstreicht, um diese Gasanteile weiter einzuschränken.
Dieser Beitrag stellt die Wasserstein-Lagrange-Mechanik (WLM) vor, ein neuartiges Rahmenwerk und einen Algorithmus, der zweite Ordnungs-Populationsdynamiken aus zeitlichen Momentaufnahmen durch Minimierung einer gedämpften Wirkung lernt und damit die Grenzen von Gradientenflüssen überwindet, um komplexe Verhaltensweisen wie Periodizität, Wirbeldynamik und Schwarmbildung präzise zu modellieren.
Dieser Beitrag stellt eine gleichmäßig ausgewählte Stichprobe von 930 aktiven galaktischen Kernen mit intermediären Schwarzen Löchern aus SDSS DR17 vor, erweitert die Rotverschiebungsbereiche für AGNs geringer Masse bis zu und offenbart eine mögliche kosmische Entwicklung der Akkretionsaktivität, die durch abnehmende maximale Akkretionsraten und Leuchtkräfte bei geringeren Rotverschiebungen gekennzeichnet ist.
Dieser Artikel stellt ein auf realistischen Planck-ähnlichen Simulationen trainiertes, U-Net-basiertes Generatives Adversariales Netzwerk (GAN) vor, das erfolgreich hochpräzise Karten des kosmischen Mikrowellenhintergrunds rekonstruiert, indem es gleichzeitig Vordergrundkontamination, instrumentelles Rauschen und Strahlungskegel-Effekte entfernt und Rekonstruktionsfehler von unter 1 % außerhalb des galaktischen Bereichs erzielt.
Dieser Beitrag schlägt das „Agent-First Tool API"-Paradigma vor und validiert es, das traditionelle menschenorientierte CRUD-Schnittstellen durch ein semantisches Sechs-Verben-Protokoll und strukturierte Metadaten zur Entscheidungsunterstützung ersetzt, um die Erfolgsquote autonomer Agenten bei Aufgaben sowie die Fehlerwiederherstellung in produktiven Unternehmenssystemen erheblich zu verbessern.
Das Papier schlägt Contextual Plackett-Luce (CPL) vor, ein effizientes neuronales Modell, das paralleles Scoring mit einem leichtgewichtigen autoregressiven Selektionsprozess kombiniert, um mehrdeutige, multimodale Sequenzvorhersageaufgaben effektiv zu bewältigen und gleichzeitig die Recheneffizienz aufrechtzuerhalten.