3657 件の論文
SemanticVulは、ローカルで生成された証拠に基づいた意味論的な説明を活用することで、既存のベースラインと比較して精度とマイノリティクラスの再現率を大幅に向上させ、決定論的なコード照合とデータセット監査を通じて主張を厳密に検証する、C/C++の脆弱性検出のための再現可能なフレームワークである。
本論文は、微弱な物理的効果が他のパラメータによる補償的な変化によって隠蔽されるというパラメータ補償の概念を導入し、構造化された擬似解を活用することで、マルチパラメータ逆学習問題においてこれらの効果を確実に復元するバイアス補償ニューラルネットワーク（BcNN）を提案する。
本論文は、多属性時間記述子を通じてトポロジー生成を最適化し、さらにポーズとモーションの協調ブランチによって動作ダイナミクスと関節間の関係性をより良く捉えることで時間モデリングを強化する、スケルトンベースの行動認識ネットワークであるSTME-GCNを提案している。
本研究は、制御されたリソース制約付き最短経路実験を用いることで、浅いペナルティ型QAOAにおいて、不適切な実行可能サンプリングが、明確に異なるオプティマイザの不備および目的関数の不整合に起因していることを示し、CVaRベースの学習がホールドアウト・タスクにおける厳密な実行可能性制御の性能に効果的に接近できることを実証する。
本論文は、古典的なジャイナ教哲学のサンスクリット語からヒンディー語への翻訳に特化した、双方向LSTMベースのニューラル機械翻訳モデルであるArthasetuを紹介するものであり、ドメインに整合したデータ拡張と厳格な評価プロトコルが、NLLB-200のような大規模多言語システムと比較して優れた性能をもたらすことを実証すると同時に、低リソース研究におけるデータ漏洩の重大なリスクを浮き彫りにしている。
本論文は、2次元および3次元の多孔質微細構造を合成するためのWGAN-GP、DDPM、およびFlow Matchingの比較ベンチマークを提示し、Flow Matchingが、特に空隙率と拡散の関係を再現するという構造的正確性と計算効率の間の良好なバランスを提供する競争力のある手法であることを特定している。
本研究は、機械学習、分割適合予測（split conformal prediction）、およびSHAPを統合し、定量化された信頼性をもって学生の学業成績を予測する不確実性を考慮したフレームワークを導入するものであり、LightGBMやXGBoostのようなモデルが高い精度を達成する一方で、適合予測が不確実なケースを効果的に特定することで、人間が介在するターゲットを絞った介入を支援できることを実証している。
この論文は、広く用いられている脳腫瘍MRIベンチマークが、高い報告精度は未知の個人に対するモデルの真の汎化能力ではなく、既知の患者のスライスを認識するモデルの能力を反映しているという、完全な患者レベルのデータ漏洩に陥っていることを明らかにしている。
685件の研究（2016年–2026年）を対象としたこの系統的文献レビューは、AI駆動型の株式市場予測における進化、再現性、および評価のギャップを分析しており、データ漏洩、コード共有の欠如、および不十分な統計的検証といった広範な問題に起因する、報告されたモデルの精度と実用的な取引有用性との間の決定的な乖離を明らかにしている。
本論文は、学習された美的規則と動的な都市環境における安全かつ適応的なナビゲーションを統合することに成功し、計算的および人間による美的評価の両方において既存のベースラインを凌駕しつつ、多様な設定に対して強固な汎用性を示す、教師あり自律ロボット写真撮影システムであるLEAPを提示する。