3657 पेपर
यह शोध पत्र IR-PowerDet का प्रस्ताव करता है, जो एक YOLOv12s-आधारित फ्रेमवर्क है जिसमें जटिल और अवरुद्ध परिदृश्यों में इन्फ्रारेड पावर उपकरणों का सुदृढ़, उच्च-सटीक पता लगाने के लिए मल्टी-स्केल फीचर फ्यूजन, डायनेमिक एनवायरनमेंट अडैप्टेशन और स्मॉल-ऑब्जेक्ट एन्हांसमेंट मॉड्यूल को शामिल किया गया है, जो 96.8% mAP तक पहुँचता है।
यह शोध पत्र दुर्भावनापूर्ण DNS-over-HTTPS टनलिंग का मजबूती से पता लगाने के लिए अनसुपरवाइज्ड एनोमली स्कोरिंग के साथ XGBoost को संयोजित करने वाले एक सांख्यिकीय रूप से मान्य, डेंसिटी-अवेयर हाइब्रिड फ्रेमवर्क का प्रस्ताव करता है, जो बेसलाइन्स की तुलना में रिकॉल और फॉल्स नेगेटिव में महत्वपूर्ण सुधार प्रदर्शित करता है और यह पुष्टि करता है कि डीप जेनेरेटिव घटक कोई अतिरिक्त लाभ प्रदान नहीं करते हैं।
यह शोध पत्र IoT में गोपनीयता-संरक्षित फेडरेटेड लर्निंग के लिए एक एडेप्टिव रिसोर्स-अवेयर MK-CKKS फ्रेमवर्क प्रस्तुत करता है जो MNIST और CIFAR-10 पर वास्तविक दुनिया के प्रयोगों के माध्यम से लीनियर-कॉम्प्लेक्सिटी मल्टी-की एग्रीगेशन और महत्वपूर्ण प्रदर्शन लाभ प्राप्त करता है, जबकि पारदर्शी रूप से यह स्वीकार करता है कि इंडिपेंडेंट-की कंस्ट्रक्शन और फिजिकल हार्डवेयर वैलिडेशन भविष्य का कार्य है।
यह शोधपत्र -Guard को प्रस्तुत करता है, जो विज़ुअल रिकग्निशन सिस्टम्स के लिए एक लेबल-मुक्त ड्रिफ्ट डिटेक्शन विधि है, जो प्रेडिक्टिव एंट्रॉपी और फीचर-स्पेस नोवेल्टी स्कोर के बीच रैंक एग्रीमेंट की निगरानी करके मॉडल रीकैलिब्रेशन के प्रति प्रमाणिक अपरिवर्तनीयता (provable invariance) प्राप्त करता है, जिससे यह वास्तविक वितरण बदलावों के प्रति संवेदनशीलता बनाए रखते हुए उन फॉल्स पॉजिटिव्स से बचता है जो मौजूदा कॉन्फिडेंस-आधारित मॉनिटर्स को प्रभावित करते हैं।
यह शोध पत्र ज्यामितीय शिक्षण (geometric learning) में "ओवर-इनवेरिएंस" (over-invariance) विफलताओं की पहचान और मात्रा निर्धारित करता है जहाँ अत्यधिक समरूपता (symmetry) महत्वपूर्ण चरण सूचना (phase information) को त्याग देती है, और प्रोजेक्टिव कैरेक्टर पूलिंग (Projective Character Pooling - PCP) को एक लक्षित सुधार तंत्र के रूप में प्रस्तावित करता है जो मानक परिमाण-मात्र (magnitude-only) मॉडलों की तुलना में चरण चैनलों (phase channels) को प्रभावी ढंग से पुनर्स्थापित करता है और नैदानिक सपाटपन (diagnostic flatness) में सुधार करता है, हालांकि यह ऑर्बिट एवरेजिंग (orbit averaging) के लिए एक सार्वभौमिक प्रतिस्थापन के बजाय एक सीमित समाधान बना हुआ है।
यह शोध पत्र एक माप-संचालित अनुकूलन डेटा विभाजन नियंत्रक (measurement-driven adaptive data partitioning controller) प्रस्तावित करता है जो विषम वितरित और फेडरेटेड लर्निंग सिस्टम में स्ट्रैगलर (stragglers) को कम करने, ऊर्जा खपत को कम करने और प्रशिक्षण दक्षता में सुधार करने के लिए वास्तविक समय के प्रशिक्षण समय और ऊर्जा मेट्रिक्स के आधार पर नमूना बजट (sample budgets) को गतिशील रूप से पुनर्वितरण करता है।
FGD-Det एक कुशल असममित मल्टीस्पेक्ट्रल ऑब्जेक्ट डिटेक्शन फ्रेमवर्क है जो एक हेटेरोजेनियस डुअल-स्ट्रीम बैकबोन और फ्रीक्वेंसी-गाइडेड डिकपल्ड अलाइनमेंट वाली एक स्टेज-वाइज फ्यूजन रणनीति के माध्यम से सूचना घनत्व असमानताओं और स्थानिक मिसअलाइनमेंट को संबोधित करता है, जिससे LLVIP और FLIR बेंचमार्क पर काफी कम कंप्यूटेशनल लागत के साथ अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र PR-CNN का प्रस्ताव करता है, जो एक डीप लर्निंग फ्रेमवर्क है जो सूक्ष्म दृश्य अंतरों, जटिल पृष्ठभूमि और सीमित डेटा उपलब्धता जैसी चुनौतियों को प्रभावी ढंग से संबोधित करने के लिए कनवल्शनल न्यूरल नेटवर्क, पिरामिड स्प्लिट अटेंशन और एक रिलेशन नेटवर्क को एकीकृत करता है ताकि बीन्स की पत्तियों की बीमारियों की अत्यधिक सटीक और सुदृढ़ पहचान की जा सके।
यह शोध पत्र AIO-MSVM-WMK का प्रस्ताव करता है, जो एक नवीन ऑल-इन-वन मल्टी-क्लास एसवीएम (SVM) फ्रेमवर्क है, जो उच्च-आयामी डेटासेट पर उत्कृष्ट वर्गीकरण सटीकता और काफी कम गणना समय प्राप्त करने के लिए वेटेड मल्टीपल कर्नल लर्निंग को सैंपल ऑप्टिमाइज़ेशन के साथ एकीकृत करता है।
PredictStroke एक मॉड्यूलर दो-चरणीय प्रणाली है जो दीर्घकालिक स्ट्रोक जोखिम भविष्यवाणी के लिए एक एन्सेम्बल मशीन लर्निंग मॉडल को तीव्र लक्षण ट्राइएज के लिए वास्तविक समय, विजन- और स्पीच-आधारित क्लासिफायर के साथ एकीकृत करती है, जो जोखिम मूल्यांकन में उच्च प्रदर्शन प्रदर्शित करते हुए कम वास्तविक समय स्कोर के बावजूद स्वतंत्र तीव्र पहचान मॉड्यूल की व्यवहार्यता को प्रमाणित करती है।