1062 papers
Het artikel introduceert het Cascade Progressive Distilled Network (CPDN), een nieuw deep learning-framework dat kennisdistillatie van een CatBoost-leraar benut om optimalisatiestagnatie en niet-differentieerbaarheidsproblemen te overwinnen, waarmee het een state-of-the-art classificatieprestatie bereikt op heterogene tabulaire data.
Dit artikel toont aan dat een centrale training met gedecentraliseerde uitvoering (CTDE) aanpak gebruikmakend van QMIX significant beter presteert dan independent Q-learning (IQL) en non-RL baselines bij het coördineren van het opladen van elektrische voertuigen binnen smart cities, waarbij hogere acceptatiegraden en succespercentages worden bereikt terwijl partiële observeerbaarheid en verkeersdynamiek effectief worden beheerd.
Deze systematische review van 445 recente studies (2024–2026) identificeert CNN-Mamba-hybriden als de meest efficiënte architectuur voor medische beeldvorming vanwege hun lineaire computationele complexiteit, terwijl het kritieke uitdagingen zoals verlies van ruimtelijke informatie en geheugengebruik benadrukt die moeten worden aangepakt via native 3D-blokken om klinische integratie mogelijk te maken.
Dit artikel stelt een hybride intrusiedetectiekader voor en evalueert dit, dat supervised learning (Random Forest en XGBoost) combineert met een op een LSTM-autoencoder gebaseerd anomaliedetectiemodel op uitgelijnde IoT- en clouddatasets, waarbij wordt aangetoond dat hoewel deze aanpak de detectierobustheid en recall voor onbekende aanvallen aanzienlijk verbetert, het een afruil vereist met een toename van het aantal fout-positieven en een vermindering van de precisie.
Dit artikel stelt YOLOv10n-FBD voor, een lichtgewicht model voor de detectie van de rijpheid van cherrytomaten dat CCFM-featurefusie, PSA-BiFormer-aandacht en een C2f-Dual-strategie integreert om een hoge precisie (94,3% mAP) en snelheid (369 FPS) te bereiken, terwijl de modelgrootte en computationele complexiteit aanzienlijk worden verminderd in vergelijking met bestaande methoden.
Deze studie stelt een op LSTM gebaseerd spraakherkenningssysteem voor voor de minder ondersteunde Assamese taal, waarbij gebruik wordt gemaakt van een zelf samengestelde dataset en hybride akoestische kenmerken om een nauwkeurigheid van 95% te bereiken, terwijl de uitdagingen die worden veroorzaakt door de fonetische gelijkenissen tussen klinkers worden belicht.
Dit artikel stelt een visueel contextbewust en op het ruimtelijke receptieve veld gebaseerd algoritme voor dat residuele toestandsruimtemodellering, begeleidingsvectoren en multi-schaal deformaat-aandacht integreert om Dunhuang-muurschilderingen effectief te herstellen door lokale pixelvergetelheid en onvoldoende ruimtelijke perceptie aan te pakken, waardoor de metrieken voor restauratiekwaliteit aanzienlijk worden verbeterd.
Dit artikel stelt een Deep Cross Neural Network (DCNN) raamwerk voor dat een nauwkeurigheid van 98,4% bereikt bij het detecteren van stealthy Hardware Trojans in FPGA-gebaseerde VLSI-circuits door structurele en functionele kenmerken te extraheren en te correleren, wat een betrouwbare oplossing biedt die de afhankelijkheid van golden reference modellen vermindert.
Deze systematische review van 104 studies onthult dat onderzoek naar digitale toegankelijkheid wordt gedomineerd door geautomatiseerde hulpmiddelen en geconcentreerd is in de onderwijs- en overheidssectoren, wat een "evaluatie-actiekloof" creëert waarbij methodologische gemak en sectorale bias gebruikersgerichte benaderingen hebben verdrongen en er niet in zijn geslaagd om hardnekkige toegankelijkheidsbarrières gedurende het afgelopen decennium op te lossen.
Het artikel introduceert OntoLearner, een modulair open-source framework dat ontologie-toegang, door LLM gestuurde leerpipelines en gestandaardiseerde benchmarking over 22 domeinen verenigt, waarbij wordt onthuld dat de primaire flessenhals in ontologie-leren een structurele mismatch is tussen de codering van modelkennis en de ontologische organisatie, in plaats van de capaciteit van het model zelf.