2332 papers
Deze studie stelt een adaptief neuraal drempelnetwerk voor dat logistische regressie overtreft bij het prioriteren van SEC-filings voor accountantscontrole door contextafhankelijke drempels te leren, terwijl het tegelijkertijd een kader van governance-vereisten vaststelt om te waarborgen dat het systeem wordt gebruikt als een vertrouwelijke triagehulp in plaats van als juridisch bewijs.
Deze studie valideert het Explainable Multi-Stakeholder Educational Intelligence Framework (EMSEIF), een empirisch systeem dat diverse feedback uit het hoger onderwijs transformeert naar controleerbaar, aspectgericht bewijs en actiegerichte curriculumverbeteringen via uitlegbare AI, kennisgrafen en eerlijkheidsaudits.
Dit artikel toont aan dat in geautomatiseerde systemen voor zelfbeoordeling van papers, het voorspellen of beslissingen die nabij de drempelwaarde liggen zullen omklappen onder perturbatie, effectief wordt bereikt door een eenvoudige baseline die gebruikmaakt van empirische scoreverschuivingsverdelingen en beslissingsmarges, in plaats door complexe geleerde grensmodellen.
Dit artikel stelt GlaucoFusionNet voor, een multimodale uitlegbare AI-framework dat fundusfoto's van het netvlies en klinische gegevens integreert met behulp van causale inferentie en contrafactische redenering om de beperkingen van correlatiegestuurde modellen te overwinnen bij het bieden van interpreteerbare, actiegerichte glaucoomrisicovoorspellingen en progressiestratificatie.
Dit artikel stelt een hybride framework voor dat Runge–Kutta-geoptimaliseerde Neural Radiance Fields (NeRF) voor geometrie-bewuste 3D-reconstructie combineert met een diffusie-gebaseerde verfijningsmodule om ernstige perspectivische selfie-distortie effectief te corrigeren, terwijl de gezichtsidentiteit, structurele consistentie en fotorealistische kwaliteit behouden blijven.
Deze studie stelt een lichtgewicht, niet-destructief ensemble CNN-framework voor dat een nauwkeurigheid van 97,50% bereikt bij het detecteren van eierschaalbarsten met behulp van multi-schaal extractie van kenmerken, wat een computationeel efficiënt en robuust alternatief biedt voor handmatige inspectie en bestaande deep learning-modellen voor geautomatiseerde voedselverpakkingstoepassingen.
Deze scoping review brengt het opkomende landschap van "vibe coding" (LLM-ondersteunde codegeneratie) in de gezondheidszorg in kaart over klinische, administratieve en onderzoeksdomeinen, waarbij het potentieel om softwareontwikkeling te democratiseren wordt belicht, terwijl kritieke uitdagingen op het gebied van beveiliging en regulering worden geïdentificeerd en een drielaags governance-framework voor verantwoorde adoptie wordt voorgesteld.
Dit artikel presenteert HT-CS, een kostengevoelig incrementeel leersframework dat een Hoeffding Tree-regressor combineert met ADWIN-driftdetectie en weging op steekproefniveau, wat de recall van kritieke temperatuurgebeurtenissen en de voorspellingsnauwkeurigheid op hulpbron-beperkte Raspberry Pi 4B-apparaten aanzienlijk verbetert terwijl een lage latentie en een kleine modelvoetafdruk worden behouden.
Deze studie stelt een verbeterd AEP2-YOLOv8s-model voor dat ROI-extractie, achtergrondnormalisatie, een AIFI-module, EMA-attentie en een detectiearchitectuur op vier schalen integreert om een hoogprecisie, niet-destructieve identificatie van micro-contaminanten op eierschalen te bereiken, waarbij het de originele YOLOv8s aanzienlijk overtreft in nauwkeurigheid.
Het artikel stelt DeepHistoViT voor, een interpreteerbaar Vision Transformer-framework dat een state-of-the-art nauwkeurigheid en statistische robuustheid bereikt bij het classificeren van histopathologische afbeeldingen voor longkanker, dikkedarmkanker en acute lymfatische leukemie door gebruik te maken van aandachtmechanismen om diagnostisch relevante regio's te lokaliseren.