2456 papers
DIT is een gedecentraliseerd, post-kwantumveilig authenticatieprotocol dat de traditionele CA-hiërarchie elimineert door domeinidentiteiten te verankeren in DNSSEC-geverifieerde ML-DSA-65 sleutels en een hybride X25519MLKEM768-handshake met Merkle-transparantielogboeken te gebruiken om efficiënt, herroepbaar vertrouwen te bieden zonder gecentraliseerde certificeringsautoriteiten.
Dit artikel stelt een onzekerheidsgestuurd triple-memory fusiekader voor dat probabilistische Mamba gebruikt om bewegingsonzekerheid te kwantificeren en bewegings-, uiterlijk- en categoriememories dynamisch te fuseren, waarmee state-of-the-art prestaties wordt behaald voor robuuste multi-object tracking in complexe dynamische scènes.
Dit artikel stelt een grijswaardenbeeldencryptieschema voor dat een met een kubische fractionele transformatie gegenereerde S-box combineert met een logistische kaart om substitutie, diffusie en XOR-gebaseerde scrambling uit te voeren, waarbij een robuuste beveiliging wordt aangetoond door middel van uitgebreide statistische en sleutelgevoeligheidsanalyses.
Deze studie stelt een uitgebreid AI-framework voor de farmaceutische productie voor dat voorspellende modellering integreert met uitlegbaarheid, eerlijkheid, kalibratie, driftmonitoring en reglementaire traceerbaarheid om audit-klare, verdedigbare beslissingen op het gebied van kwaliteitsbewaking te waarborgen.
Deze studie toont aan dat een lichtgewicht YOLO11n deep learning-model een bijna perfecte nauwkeurigheid kan bereiken bij het automatisch classificeren van verwerkingsmethoden voor gedroogde zeekomkommer (zouten, roken en roosteren) vanuit afbeeldingen met dichte objecten, wat een robuust, niet-destructief alternatief biedt voor de subjectieve handmatige inspectie voor kwaliteitsbeoordeling.
Dit artikel stelt SGMS-DTDNet voor, een semantisch gestuurde multi-schaal dual-teacher distillatie netwerk dat domeinspecifieke semantiek, structurele priors en adaptieve feature selectie integreert om state-of-the-art prestaties te behalen in verenigde medische en industriële anomaliedetectie door uitdagingen zoals schaarse abnormale monsters en heterogene defectmorfologieën te overwinnen.
Deze studie toont aan dat parameter-efficiënte fine-tuning (PEFT) strategieën, zoals partial fine-tuning en BitFit, superieur zijn aan volledige fine-tuning in elektrocardiogram fundatiemodellen door de generaliseerbaarheid aanzienlijk te verbeteren en overfitting te verminderen, met name op out-of-domain data en in scenario's met beperkte middelen.
Dit artikel introduceert een door beperkingen gestuurd framework dat ingezette neurale netwerken herstelt door foutrelevante gewichten te lokaliseren via DeepSHAP, symbolische beperkingen te verzamelen via concolic testing, en updates te optimaliseren met Max-SMT, waarbij door middel van uitgebreide experimenten wordt aangetoond dat systematische verkenning van de ontwerpruimte cruciale herstelstrategieën onthult—zoals alleen bias-modificaties—die adversariële en backdoor-kwetsbaarheden aanzienlijk verminderen terwijl de modelgetrouwheid behouden blijft.
Deze systematische review van 32 studies (2022–2025) identificeert vier hybride Reinforcement Learning- en metaheuristische architecturen voor onafhankelijke UAV-padplanning, waarbij wordt vastgesteld dat hoewel deze frameworks de adaptiviteit en convergentie verbeteren, hun praktische inzetbaarheid momenteel beperkt wordt door een volledig gebrek aan fysieke hardwarevalidatie, code-reproduceerbaarheid en rigoureuze statistische toetsing.
Dit artikel stelt een geïntegreerd AIOps-framework voor dat XGBoost-gebaseerde voorspellende risicoscore, autoencoder-gestuurde anomaliedetectie en Random Forest-gebaseerde geautomatiseerde remediëring combineert om deployment-fouten proactief te mitigeren en de gemiddelde hersteltijd in CI/CD-omgevingen aanzienlijk te verminderen.