3657 件の論文
EviNavは、ターゲットを強固に識別し終了判定を行うために、多視点の視覚的および意味的な証拠を蓄積する、学習不要でエビデンス駆動型のゼロショット・インスタンス・ナビゲーション用フレームワークであり、画像ゴールおよびテキストゴール・ナビゲーションの両方のタスクにおいて最先端の成功率を達成しています。
本論文は、効率的なXGBoostベースのキーストローク・ダイナミクス・モジュールを利用することで、最小限のリソース消費で99.8%の認証精度を達成しつつ、SHAPによる説明可能性と段階的なヒューマン・イン・ザ・ループ・ポリシーを採用することで、持続可能な大規模エッジ展開を可能にする、オペレーター用ワークステーション向けの軽量かつ自律的なセキュリティエージェントを提案する。
Haar-CFRは、離散ハール・ウェーブレット正則化をCFR+アルゴリズムと統合することで、既存の手法よりも大幅なメモリ圧縮と高速な収束を実現し、金融やポーカーといった領域における大規模な不完全情報ゲームを解決するための、スケーラブルで解釈可能なソリューションを提供する新しいハイブリッド・フレームワークである。
本研究は、現代中国語の詩を日本語に翻訳する際におけるLLMベースのシステム（ChatGPTおよびDeepSeek）と従来のNMTシステム（Google翻訳およびDeepL）の性能を評価しており、LLMが忠実度、流暢さ、および文体において一般的にNMTを上回る一方で、プロンプト戦略がモデルに依存した形で翻訳品質に大きく影響し得ることを明らかにしている。
このレトロスペクティブ・コホート研究は、日常的な救急外来データから敗血症を予測するために、「ブラックボックス」型のニューラルネットワークを近似し、同等の精度（外部テストにおいてAUC 0.82）で臨床的信頼性を高め実装を容易にする、新しい完全に透明な機械学習アルゴリズム（ShAproxRef）を導入するものである。
本論文は、標準的な知覚損失に代わり、医療用X線画像の超解像における構造的忠実度と境界保持を大幅に向上させるドメイン認識型損失関数（USELoss）を提案および検証し、PadChestデータセットにおいてSRGAN、ESRGAN、HATといった既存の手法を凌駕する結果を示している。
本論文は、損失誘導型の高密度化戦略、不透明度勾配に基づくプルーニング機構、および最適化されたCUDAバックワードパスを実装することで、競争力のあるレンダリング品質を維持しつつ、収束を加速させプリミティブ数を削減する、コンパクトなGaussian Splattingのための効率的な学習フレームワークを提案する。
欧州人権裁判所（ECtHR）の違反分類に関するこの実証的研究は、BiGRUによる逐次的なクロスセグメント・コンテクスト化が再現率を向上させる一方で、一様な集約下では適合率と再現率のトレードオフを生じさせ、それはコンテクスト化と選択的アテンションに基づく集約を組み合わせることによってのみ解決され、最高のマクロF1スコアを達成できることを示している。
AgedNet-Motionは、較正された動きと経過時間（age）の指標に基づき、タスク固有のブランチを選択的に更新し、キャッシュされた出力を再利用することで、ストリーミング・マルチタスク認識において推論レイテンシを低減する、学習不要でリソースを意識したフレームワークを導入し、様々なモデルにおいて品質の損失を最小限に抑えつつ大幅な高速化を実現する。
本研究は、患者レベルの血栓検出において、階層的マルチインスタンス学習が固定フレームのベースラインに対して当初報告された優位性は、環境の不一致によるアーティファクトであり、制御された条件下では再現されなかったことを示しており、それによって安定したモデルの優位性に関する主張を論破している。