2551 papers
Dit artikel toont aan dat machine learning-modellen, in het bijzonder Recurrent Neural Networks, wachttijden in complexe, tijdvariërende prioriteitswachtrijsystemen nauwkeurig kunnen voorspellen met uitsluitend de wachtrijlengte en klantprioriteit, waarbij zij boomgebaseerde methoden overtreffen bij zowel niet-preemptieve als diverse preemptieve serviceregels.
Deze studie evalueert zes deep learning-architecturen voor maritieme objectdetectie onder diverse weersomstandigheden, waarbij wordt aangetoond dat het Vision Transformer (ViT)-model de CNN-gebaseerde alternatieven overtreft door een nauwkeurigheid van 100%, de laagste foutpercentages en de snelste verwerkingssnelheid te bereiken, wat daarmee het potentieel ervan benadrukt voor het verbeteren van AI-gestuurde maritieme beveiliging en surveillance.
Dit artikel stelt een nieuwe methode voor kenmerkselectie voor die kernelalignment integreert om heterogene medische gegevens binnen een Reproducing Kernel Hilbert Space te verenigen en driewegclustering uitbreidt om grensonzekerheid expliciet te modelleren, waardoor de dimensionaliteit effectief wordt verminderd terwijl de nauwkeurigheid en stabiliteit van ziektevoorspelling op multimodale klinische datasets aanzienlijk worden verbeterd.
Dit artikel stelt een zwak gesuperviseerd framework voor anomaliedetectie in transactiegrafieken voor dat gebruikmaakt van optimale transport om hiërarchische regelsemantiek, afgeleid van beslissingsbomen, uit te lijnen met continue transactie-representaties, waardoor hoogwaardige pseudo-labels worden gegenereerd en de bestaande baselines op benchmark-datasets worden overtroffen.
Dit artikel betoogt dat de huidige publieke regelgevende registers voor AI-medische hulpmiddelen ontoereikend zijn voor toezicht gedurende de gehele levenscyclus vanwege een gebrek aan gestructureerde, doorzoekbare gegevens over softwarewijzigingen en AI-specifieke attributen, en stelt een nieuwe dataspecificatie voor om deze kritieke tekortkomingen in de belangrijkste wereldwijde jurisdicties aan te pakken.
Dit artikel stelt een multimodale ongesuperviseerde anomaliedetectie-framework voor dat tekstuele semantiek van OCR en financiële logische kenmerken combineert om effectief structurele onregelmatigheden en fraude in semi-gestructureerde facturen te identificeren, waarbij het single-modality baselines op real-world data overtreft.
Dit artikel introduceert CLASP, een adaptieve constrained reinforcement learning scheduler die expliciete latentiebeperkingen afdwingt via een door een PID-regelaar gestuurde Lagrangiaanse prijs en een prijs-geconditioneerde policy, waardoor een stabiele energie-efficiëntie en schendingsdoelstellingen worden gehandhaafd bij variërende workloads waar traditionele fixed-weight beloningsbenaderingen falen.
Dit artikel stelt een meerlagig adaptief Zero Trust-framework voor en evalueert dit, dat gebruikmaakt van een contextbewust vertrouwen-scoremechanisme en rigoureuze wiskundige modellering om een significante vermindering van de succesratio van aanvallen en laterale beweging binnen cloudomgevingen aan te tonen in vergelijking met traditionele perimetergebaseerde beveiliging.
RadioAI presenteert een reproduceerbaar, op natuurkunde gebaseerd multimodaal deep learning-systeem dat gespecialiseerde architecturen voor borst-CT, borstechografie en hersen-MRI-classificatie integreert met een automatische modaliteitssturende Gatekeeper en interpreteerbare visualisatietools, gevalideerd door gecontroleerde ablatiestudies die de empirische noodzaak van natuurkundig geïnformeerde ontwerpcomponenten aantonen.
Het artikel introduceert QuantumRAG, een universeel, laag-latentie retrieval-systeem dat tekst-embeddings naar complexe kwantumtoestanden in de Hilbertruimte mapt om een BERT-niveau nauwkeurigheid te bereiken met 3,6× snellere inferentie op standaard CPU-hardware, terwijl het agnostisch blijft voor datamodaliteiten zoals tekst, wiskunde en video.