2305 papers
Dit artikel stelt SATrans voor, een nieuw op aandacht gebaseerd temporeel framework dat multimodale fysiologische signalen en dynamische PAD-gestuurde labeling benut om een uiterst nauwkeurige, robuuste en schaalbare realtime classificatie van depressie Ernst over verschillende tijdsresoluties te bereiken.
Dit artikel stelt een nieuw op de Motif Matrix gebaseerd Density-Adaptive model voor (NDAMM) dat gebruikmaakt van multi-schaal ruimtelijke featurefusie en atrous pyramidale temporele pooling om een nauwkeurige, interpreteerbare en efficiënte automatische detectie van premature atriale en ventriculaire contracties te bereiken, waarbij het bestaande methoden over publieke databases heen overtreft.
Dit artikel stelt een lichtgewicht, op probes gebaseerd beleid voor selectieve classificatie op OpenML tabelvormige taken voor, dat dynamisch kiest tussen ruwe voorspellingen, temperatuur-scaling en Dirichlet-kalibratie, waarbij wordt aangetoond dat dergelijke conditionele selectie zowel de probabilistische nauwkeurigheid als de kwaliteit van onthouding verbetert in vergelijking met universele kalibratie of geen kalibratie.
Ayurpadaviśleṣikā is een door AI ondersteund digitaal platform dat meer dan 4.000 medicinale vermeldingen uit klassieke Sanskrietteksten organiseert met behulp van het vijfledige Ayurvedische kader om kennisfragmentatie aan te pakken en de toegankelijkheid voor diverse gebruikers te verbeteren door middel van natuurlijke taalverwerking, computer vision en deskundige curatie.
Dit artikel stelt een op kenmerken gebaseerde, interpreteerbare machine learning-benadering voor met behulp van temporele en structurele wetgevingsgeschiedenis die bestaande baselines bij het voorspellen van goedkeuringsuitkomsten op propositieniveau in de Braziliaanse Kamer van Afgevaardigden aanzienlijk overtreft, waarmee praktische instrumenten wordt geboden voor verbeterde wetgevende monitoring en transparantie.
Dit artikel stelt een cross-dataset framework voor dat met bewijs gefilterde SHAP-attributies integreert met pedagogisch onderbouwde LLM-feedback om actiegerichte, scenario-compatibele verklaringen te genereren voor de voorspelling van studentrisico's over diverse educatieve contexten heen, waarbij verbeterde naleving en robuustheid worden aangetoond door validatie op zowel cross-sectionele als longitudinale datasets.
Het artikel introduceert EEG-LM, een foundation model dat hersensignalen en natuurlijke taal overbrugt door EEG-representaties uit te lijnen met embeddings van grote taalmodellen via diffusie-geaugmenteerd contrastief leren, waardoor het een state-of-the-art prestatie, sterke generalisatie en interpreteerbare emotieherkenning bereikt over meerdere datasets.
Dit artikel stelt E-GCNet voor, een hybride deep learning-framework dat Adaptive Min-Max Vector Normalization, een Improved Weighted Wrapper-Filter voor featureselectie en een soft-voting ensemble van Enhanced GoogleNet en Capsule Networks integreert om met 97,4% nauwkeurigheid een zeer nauwkeurige en betrouwbare detectie van de cognitieve staat te bereiken.
Deze systematische review, uitgevoerd volgens de PRISMA 2020-richtlijnen, evalueert het potentieel van diverse deep learning-algoritmen voor de vroege detectie van chronische ziekten, terwijl de huidige beperkingen zoals dataschaarste en interpreteerbaarheid worden belicht, en toekomstige richtingen worden voorgesteld voor de ontwikkeling van meer betrouwbare en klinisch nuttige diagnostische systemen.
Deze studie presenteert een configureerbaar LLM-systeem dat gebruikmaakt van een Minimal Atomic Unit (MAU)-framework dat hoogprecisie, bron-traceerbare data-extractie voor meta-analyses realiseert, waarbij het niet-gedecomposeerde benaderingen aanzienlijk overtreft terwijl het een verwaarloosbaar hallucinatiepercentage behoudt over diverse klinische domeinen.