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 · 381–390 / 607
Dieser Beitrag stellt Semantic Pullbacks vor, eine theoretisch fundierte Methode, die tiefe Netzwerke als eingangsbedingte affine Operatoren interpretiert, um wahrnehmungsgerechte, stabile und verlässliche nachträgliche Erklärungen zu generieren, indem kohärente lokale Strukturen aus Zielneuronen rekonstruiert werden.
Dieser Artikel stellt das Adaptive Dynamic UX Statistical Framework (ADUX-Stat) vor, ein neuartiges Evaluationsmodell, das statische Usability-Metriken durch probabilistische Konstrukte – insbesondere den Interaction Entropy Index, den Temporal Drift Coefficient und den Bayesian Usability Confidence Score – ersetzt, um die stochastische und kontextsensitive Natur von KI-vermittelten Systemen wirksam zu bewerten.
Dieser Artikel stellt PARSE vor, ein Framework zur Domänengeneralisierung, das die Robustheit der Klassifizierung verbessert, indem es durch eine End-to-End-Architektur visuelle Primitiven und ihre differenzierbaren räumlichen relationalen Kompositionen explizit lernt, und damit signifikante Leistungssteigerungen auf kompositorischen Benchmarks erzielt.
Dieser Beitrag stellt eine umfassende Monte-Carlo-Studie vor, die zeigt, dass die Temporal Spectral Noise-Floor Adaptation (TSNFA)-Methode, die spektrale Bandauswahl, zeitliche Persistenzfilterung und adaptive Rauschbodennachverfolgung einzigartig kombiniert, in einem 200-Knoten-IoT-Mesh-Netzwerk eine perfekte Detektion mit null Fehlalarmen erreicht und dabei sechs alternative Algorithmen übertrifft, die aufgrund des Fehlens mindestens einer dieser kritischen Schutzmaßnahmen versagen.
Dieser Artikel stellt aus einer bayesschen Perspektive eine Verbindung zwischen grobmaschiger Quantendynamik und dem Formalismus der quantenbedingten Zustände her, indem er die Existenz emergenter Dynamik durch analytische Lösungen und semidefinite Programmierung adressiert und gleichzeitig ein neues Robustheitsmaß einführt, um die Rauschtoleranz in diesen effektiven Beschreibungen zu quantifizieren.
Dieser Beitrag hinterfragt die Annahme, dass das zeitliche Schlussfolgern die primäre Engstelle für große Sprachmodelle darstellt, und schlägt stattdessen vor, dass die Fehler auf eine unstrukturierte Text-zu-Ereignis-Repräsentation zurückzuführen sind, wobei ein neuro-symbolisches Framework mit einem probabilistischen Inkonsistenzsignal eingeführt wird, das durch die Entkopplung der semantischen Extraktion vom symbolischen Schlussfolgern eine perfekte Genauigkeit auf Benchmarks erreicht.
Dieser Artikel stellt ein übertragbares Framework für Graph-Neuronale-Netzwerke vor, das optimierte Koeffizienten molekularer Orbitale direkt aus der Geometrie vorhersagt und damit eine skalierbare, ohne Nachtraining auskommende Beschleunigung von Workflows für den Variational Quantum Eigensolver ermöglicht, indem der klassische Vorverarbeitungsaufwand erheblich reduziert und die Konvergenz für größere Wasserstoffsysteme verbessert wird.
Dieser Beitrag zeigt, dass die Einbeziehung von Think-Aloud-Spuren in die automatische Entdeckung kognitiver Modelle die Vorhersageleistung erheblich verbessert und die identifizierten Modellstrukturen hin zu integrierten Nutzenmechanismen verschiebt, wodurch kognitive Prozesse aufgedeckt werden, die allein aus Verhaltensdaten nicht rekonstruierbar sind.
Diese Arbeit zeigt, dass in einem Einstein-Universum die konforme Kopplung () der eindeutige Parameterwert ist, der für masselose skalare Felder über alle Temperaturen und Radien hinweg thermodynamische Stabilität gewährleistet, und stellt gleichzeitig fest, dass das Vorhandensein von elektromagnetischer und Neutrinostahlung mindestens ein skalares Feld erfordert, um die Stabilität aufrechtzuerhalten.
Durch die Analyse von über einer Million Fahrzeugfolgebeobachtungen aus dem NGSIM-Datensatz zeigt diese Studie, dass die Verzögerungsintensität bestimmt, ob Fahrer bei Bremsentscheidungen die Schließgeschwindigkeit des Abstands oder das visuelle Anwachsen der Bedrohung priorisieren, wodurch der herkömmliche Abstandsvorsprung als vernachlässigbar erachtet wird, was konventionelle Modelle des Fahrerverhaltens in Frage stellt und entscheidende Erkenntnisse für die Steuerung autonomer Fahrzeuge liefert.