3447 papers
Dit onderzoek onder K-12-docenten toont aan dat AI-generatie van beoordelingsrubrics een waardevol startpunt biedt voor structuur en duidelijkheid, maar dat docenten vanwege beperkingen in aanpassingsmogelijkheden en de noodzaak van inhoudelijke controle een voorwaardelijke adoptie voorstaan waarbij menselijke toezicht en controle centraal blijven.
Deze studie analyseert de prestaties van incrementeel federatief leren met LSTM-modellen op de CICIoMT2024-dataset om robuuste en privacy-bewuste intrusiedetectiesystemen voor IoT-netwerken te ontwikkelen die effectief omgaan met conceptdrift en beperkte rekenkracht.
Dit paper introduceert Condition-Degradation Guidance (CDG), een plug-and-play methode die Classifier-Free Guidance verbetert door de semantisch lege nul-prompt te vervangen door een strategisch gedegradeerde voorwaarde, wat leidt tot aanzienlijk betere compositie-accuraatheid en tekst-beeldafstemming zonder extra trainingskosten.
Dit paper introduceert LGA-RCM-YOLO, een model voor fase-interface instantiesegmentatie dat is getraind op het nieuwe CTG 2.0-dataset om transparante glaswerk in laboratoria te monitoren en zo een betrouwbaar visueel sensor te bieden voor procesautomatisering.
Dit artikel introduceert Semantic Granularity Alignment (SGA), een methode die de kwadratische geometrie van Flow Matching benut om gradiëntconflicten te verminderen en zo de convergentie en structurele integriteit bij tekst-naar-afbeelding synthese verbetert.
Deze studie weerlegt de optimistische conclusies van EVMbench over de onmiddellijke bruikbaarheid van volledig geautomatiseerde AI-audits voor smart contracts door aan te tonen dat de prestaties van agenten instabiel zijn, gevoelig voor data-verontreiniging en afhankelijk van de gebruikte scaffolding, waardoor menselijke expertise in een 'human-in-the-loop'-workflow onmisbaar blijft.
Dit paper introduceert PolGS++, een fysiek geleid framework dat polarimetrische gegevens en een pBRDF-model integreert in 3D Gaussian Splatting om reflecterende oppervlakken snel en nauwkeurig te reconstrueren met een trainingstijd van slechts ongeveer tien minuten.
Dit artikel onderzoekt hoe backdoor-aanvallen in Vision Transformers worden gerepresenteerd door een specifieke 'trigger-richting' te identificeren die causaal de kwaadaardige gedraging beïnvloedt, en gebruikt deze inzichten om de interne verwerking van triggers te analyseren en een data-vrije detectiemethode voor stealthy-aanvallen te ontwikkelen.
Dit artikel introduceert een geavanceerd, op bomen gebaseerd datahyperkubusmodel binnen het Polytope-framework dat de efficiënte opslag, doorloop en flexibele kenmerkextractie van complexe, onregelmatige en vertakkende aardwetenschappelijke datasets mogelijk maakt, waarmee de beperkingen van traditionele datakubusmodellen worden overwonnen.
Dit paper introduceert HanMoVLM, een gespecialiseerd Vision-Language Model dat Chinese schilderijen op professioneel niveau beoordeelt door middel van door experts gevalideerde Chain-of-Thought redenering, en zo dient als een hoogwaardige verifier om de kwaliteit van gegenereerde kunstwerken te verbeteren.
Dit paper introduceert MEDISEG, een dataset met instance-segmentatiemaskers voor 32 pillentypes in 8262 afbeeldingen die realistische omstandigheden zoals overlapping en occlusie simuleert en waarmee AI-modellen effectief getraind kunnen worden om medicatiefouten te voorkomen.
Deze studie ontwikkelt een schaalbaar, ruimtelijk expliciet kader om de lineaire en ruimtelijk geconditioneerde relatie tussen bevolking en bebouwde omgeving in Tsjechië te kwantificeren, waarbij wordt aangetoond dat ruimtelijke heterogeniteit en specifieke bouwtypen een cruciale rol spelen bij het reproduceren van sociaal-ruimtelijke ongelijkheid.
Dit onderzoek toont aan dat semantische pilherkenning met weinig voorbeelden snel kan worden aangepast voor classificatie, maar dat de prestaties bij het lokaliseren van overlappende en verduisterde pillen aanzienlijk dalen, wat de cruciale rol benadrukt van realistische trainingsdata en diagnostische evaluatie voor een robuuste implementatie.
Het paper introduceert MAD, een nieuwe aanpak die geheugenallocatie combineert met softwarediversiteit om RowHammer-aanvallen te vertragen door middel van ruimtelijke diversificatie, waardoor de aanval wordt uitgesteld voor verdere reacties zonder prestatieverlies of hardwarewijzigingen.
Dit paper introduceert een topologisch model met Hodge-decompositie voor serverloze platforms om operationele stromen te analyseren, waarbij harmonische modi worden geïdentificeerd als structurele eigenschappen in plaats van configuratiefouten, en een iteratieve methode biedt voor het afleiden van praktische herstelstrategieën zoals het invoeren van 'dumping effects'.
Het artikel introduceert UltrasoundAgents, een hiërarchisch multi-agent framework dat de klinische workflow voor borst-echografie-diagnose nabootst door eerst de laesie te lokaliseren en vervolgens gestructureerde kenmerken te analyseren voor traceerbaar, bewijsgebaseerd redeneren, waarbij een gefaseerde trainingsstrategie wordt gebruikt om foutpropagatie te voorkomen en de diagnose-accuraatheid te verbeteren.
Dit paper introduceert OSUM-Pangu, een volledig open-source foundation model voor multidimensionale spraakbegrip dat is gebouwd op de openPangu-7B LLM en volledig draait op Ascend NPUs zonder CUDA, waardoor een reproduceerbare, GPU-onafhankelijke baseline wordt geboden met prestaties vergelijkbaar met bestaande GPU-modellen.
Deze paper introduceert DIPE, een nieuwe positie-encoderingsmethode die het probleem van visueel verval in multimodale grote taalmodellen oplost door de ongewenste straffing van intermodale aandacht op afstand te elimineren, waardoor visuele consistentie ook in lange contexten behouden blijft.
Deze studie onderzocht bij 81 studenten hoe factoren zoals humeur en projectfase de sentimentperceptie van tekst in softwareprojecten beïnvloeden, en concludeert dat deze perceptie sterk afhankelijk is van de specifieke uitspraak en binnen personen varieert, wat voorzichtigheid vereist bij het interpreteren van sentimentanalyse-uitkomsten.
Dit paper introduceert FG-CLTP, een nieuw raamwerk voor fijnkorrelige contrastieve taal-tactiele pretraining dat een dataset van meer dan 100.000 tactiele 3D-puntwolken en een kwantitatieve tokenisatiemethode combineert om robuuste, sensor-onafhankelijke taal-actie-modellen voor robotmanipulatie te ontwikkelen die aanzienlijk beter presteren dan bestaande methoden.