2332 papers
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.
Dit artikel toont aan dat het integreren van Tensor-Train-lagen in Physics-Informed Neural Networks het aantal parameters aanzienlijk vermindert met wel 8,8×, terwijl 97% van de oorspronkelijke nauwkeurigheid behouden blijft, waarbij de compressie-efficiëntie sterk afhankelijk is van de regelmaat van de onderliggende PDE-oplossing.
Dit artikel stelt een op perturbatie gebaseerd audit- en mitigatiekader voor en evalueert dit, wat aantoont hoe entiteitsruis de risico's op hoog-betrouwbare valse relaties verhoogt in door LLM's gegenereerde scientometrische grafen, waarbij wordt onthuld dat entiteits- en bewijsbewuste onthoudingsstrategieën effectief beter presteren dan eenvoudige betrouwbaarheidsfiltering bij het behoud van de integriteit van de graaf.
WSL-Det is een real-time objectdetector gebouwd op de Vajra-architectuur die golfgebaseerde aandacht integreert voor frequentiebewuste globale interactie en sequentiële orthogonale stripconvoluties voor anisotrope lokalisatie, waarmee het de beste prestaties bereikt op het gebied van nauwkeurigheid en snelheid op industriële stripdefect-datasets zoals leer en NEU-DET.