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.

608 von Autoren geprüfte Arbeiten · 431–440 / 608

A Review of the Receiver Operating Characteristic Curve and a Proof About the Area Beneath It

Dieser Artikel formalisiert die probabilistische Interpretation der Fläche unter der ROC-Kurve (AUC) als die Wahrscheinlichkeit, dass ein Klassifizierer eine zufällige positive Instanz höher einstuft als eine zufällige negative Instanz, liefert eine Schranke für den Fehler, wenn zugrunde liegende Hypothesen nicht erfüllt sind, und bietet einen kurzen Literaturüberblick über ROC-Kurven.

Steven Redolfi2026-04-30✓ Author reviewed 🤖 cs.LG

Ultrafast Energy Absorption in Silicon Controlled by Two-Color Double Pulses

Diese theoretische Studie zeigt, dass die ultraschnelle Energieabsorption in kristallinem Silizium durch zweifarbige Femtosekunden-Doppelpulse präzise gesteuert werden kann, wobei sich die optimale Wellenlängen-Kombination und die zugrundeliegenden Anregungsmechanismen je nach Laserintensitätsregime von der Multiphotonen-Band-zu-Band-Absorption zur Tunnelionisation und Intra-Band-Beschleunigung verschieben.

Eiyu S. Gushiken, Mizuki Tani, Hiroki Katow, Kenichi L. Ishikawa2026-04-29✓ Author reviewed 🔬 cond-mat.mtrl-sci

Updating the holomorphic modular bootstrap

Dieser Beitrag aktualisiert den holomorphen modularen Bootstrap durch die Einbeziehung exakter S-Matrix-Ergebnisse, um zulässige und haltbare Lösungen für modulare lineare Differentialgleichungen mit bis zu sechs Charakteren und einer effektiven Zentralladung bis zu 24 systematisch zu klassifizieren und schließlich ihre entsprechenden konformen Feldtheorien und modularen Tensor-Kategorien zu identifizieren.

Suresh Govindarajan, Akhila Sadanandan2026-04-28✓ Author reviewed ⚛️ hep-th

Is K-fold cross validation the best model selection method for Machine Learning?

Die Studie schlägt eine neuartige statistische Methode namens K-fold CUBV vor, die auf Konzentrationsungleichungen und Bayesianischen Obergrenzen basiert, um die Zuverlässigkeit von K-fold-Cross-Validation bei kleinen Datensätzen zu verbessern und übermäßige falsch-positive Ergebnisse zu vermeiden.

Juan M Gorriz, R. Martin Clemente, F Segovia, J Ramirez, A Ortiz, J. Suckling2026-04-24✓ Author reviewed 📊 stat