2466 papers
Dit artikel toont aan dat instructies in natuurlijke taal kwetsbaar zijn onder verborgen operationele vereisten, wat onthult dat hoewel generieke prompting faalt om weggelaten beperkingen te voldoen, de prestaties aanzienlijk verbeteren wanneer die beperkingen expliciet worden opgevraagd en uitgevoerd.
Dit artikel presenteert een nieuw door LLM versterkt decision intelligence-framework dat FMEA-gebaseerde risicokwantificering integreert met contextuele redenering van grote taalmodellen om een statistisch significante, hoog-recall real-time supply chain risicobeoordeling te bereiken, zoals gevalideerd door zowel geparametriseerde simulaties als uitgebreid empirisch testen op de DataCo Smart Supply Chain dataset.
Dit artikel introduceert een nieuwe corpus van diplomatieke tegenargumenten uit toespraken in de Algemene Vergadering van de VN (2005–2024) en evalueert state-of-the-art grote taalmodellen met behulp van temporeel uitgelijnde fine-tuningstrategieën om een systematische benchmark te vestigen voor cross-domein generalisatie in tegenargumentgeneratie.
CUPID-Med is een nieuw framework dat gebruikmaakt van conformistische, onzekerheidsbewuste prototype-ontdekking om klinisch interpreteerbare, verzamelingwaardige clustervoorspellingen met gekalibreerde betrouwbaarheidsscores te genereren, waarmee het deterministische baselines aanzienlijk overtreft in het structureren van ongelabelde medische beeldgegevens.
Deze studie stelt een verklaarbaar, twee-laags speltheoretisch deep learning-framework voor dat SHAP combineert voor feature-interpreteerbaarheid en Nash-evenwicht voor competitieve prijsanalyse om traditionele modellen aanzienlijk te overtreffen bij het voorspellen van de vraag naar kortetermijnverhuur.
Dit artikel stelt een "Smart Learning Estimator" (SLE) voor, een met deep learning versterkte Kalman-filter die TGAN-, LSTM- en RWFNN-architecturen combineert, wat de nauwkeurigheid en robuustheid van goedkope INS/GNSS-navigatiesystemen tijdens langdurige GNSS-signaalonderbrekingen aanzienlijk verbetert door de beperkingen van traditionele lineaire filters te overwinnen.
Dit artikel stelt TDF-LSTGBM voor, een nieuwe twee-fasen hybride architectuur die temporele kenmerken extraheert uit de voorlaatste laag van een gestapelde LSTM en deze combineert met consumenten- en temporele attributen voor een Gradient Boosting Machine, waarmee een aanzienlijk hogere nauwkeurigheid wordt bereikt in multi-granulaire voorspellingen van de elektriciteitsvraag in het slimme elektriciteitsnet over vijf consumentencategorieën vergeleken met traditionele LSTM- en ARIMA-modellen.
GraphGarment is een data-efficiënt sim-to-real framework dat een in simulatie getraind graph neural network combineert met een lichtgewicht residual corrector om kledingdynamiek nauwkeurig te voorspellen vanuit minimale real-world data, wat robuust robotisch ophangen van kleding mogelijk maakt.
Deze studie presenteert een verenigd, uitlegbaar deep learning-framework dat ResNet50-gebaseerde microstructuurclassificatie en YOLOv8-gebaseerde detectie van oppervlaktefouten integreert met regelgebaseerde ernstschatting om robuuste, interpreteerbare en geautomatiseerde kwaliteitscontrole voor staalproductie mogelijk te maken.
Dit artikel stelt een simulatiemethode op garenniveau voor die gebruikmaakt van weefpatronen om directionele warmtediffusie en krimpgradiënten te berekenen, waardoor complexe thermische knik-, draai- en niet-uniforme rimpelgedragingen in stoffen nauwkeurig worden gegenereerd die traditionele modellen op oppervlakteniveau niet kunnen vastleggen.