929 papers
Dit artikel presenteert een hybride deep learning-framework dat CNN-, Transformer- en BiLSTM-lagen integreert met multi-feature fusie om de state-of-the-art prestaties voor spraakemotieherkenning over vijf benchmark-datasets te bereiken, wat robuuste generalisatie en significante nauwkeurigheidsverbeteringen ten opzichte van bestaande baselines aantoont.
Deze studie stelt het StackPip Framework voor, een hybride ensemble learning-benadering die gebruikmaakt van een Stacking Classifier op de SDSS DR-17 dataset, die een nauwkeurigheid van 98% behaalde bij het classificeren van hemellichamen in sterrenstelsels, sterren en quasars, waarmee het diverse individuele machine learning-modellen overtrof.
Het artikel stelt BayesMem-CD voor, een Bayesiaans geheugengebaseerd raamwerk dat probabilistische inferentie integreert met temporele regularisatie om onzekerheidbewuste dynamische gemeenschapsdetectie te bereiken, waarbij effectief de balans wordt gevonden tussen stabiliteit tegen ruis en gevoeligheid voor genuïne structurele veranderingen.
Het artikel introduceert AraCoT-Agent, een framework dat gestructureerde redeneervaardigheden destilleert in Arabische modellen met behulp van een hoogwaardige, gefilterde dataset (AraCoT) en een beloningsgewogen trainingsdoelstelling, waarmee een relatieve verbetering van 55,7% wordt bereikt op de nieuwe AraAgent-Bench en de redeneerkloof tussen Arabische en Engelse LLM's aanzienlijk wordt verkleind.
Het artikel stelt CoDeR voor, een framework voor het leren van continue degradatie-representaties dat een Dual-axis Coupled Transformer Encoder en een tijdbewuste contrastieve leermodule integreert om de beperkingen van gefragmenteerde representaties in bestaande deep learning-modellen te overwinnen, waardoor nauwkeurigere voorspellingen van de resterende levensduur voor aero-motoren worden gerealiseerd.
Deze systematische review evalueert de geschiktheid van Kolmogorov-Arnold Networks (KANs) voor tijdreeksanalyse en concludeert dat, hoewel ze uitblinken in interpreteerbare voorspellingen op de korte termijn met vloeiende patronen over diverse domeinen heen, hun huidige toepassing wordt beperkt door heterogeen bewijs, uitdagingen bij het verwerken van langetermijn-afhankelijkheden en regimeverschuivingen, en een behoefte aan gestandaardiseerde benchmarks en rigoureuze validatie van interpreteerbaarheid.
Dit artikel introduceert GRAD-Net, een verenigd pathologie-gestuurd deep learning-framework dat laesie-bewuste aandachtmechanismen en multi-schaal feature-aggregatie integreert om state-of-the-art nauwkeurigheid en klinische interpreteerbaarheid te bereiken bij geautomatiseerde gradering van diabetische retinopathie.
Dit artikel introduceert CRC-LS-MOCBO, een sequentieel multi-objective causaal Bayesiaans optimalisatiekader dat veilige interventies waarborgt onder onzekere causale structuren door kandidaat-graafonzekerheid, stabiliteitsgewogen priors en conform risicocalibratie te integreren om beperkingsschendingen te minimaliseren terwijl de objectiefwinsten worden gemaximaliseerd.
Dit artikel presenteert een goedkoop, real-time aardbevingswaarschuwingssysteem dat gebruikmaakt van IoT-hardware (ESP32, GPS, GSM) en embedded machine learning-modellen getraind op historische seismische gegevens om patronen te detecteren en gebruikers onmiddellijk via SMS te waarschuwen, zelfs in gebieden met beperkte connectiviteit.
Dit artikel introduceert HybridPII, een instelbaar hybride ensemblemodel dat gewogen regex en multi-model NER combineert om een superieure recall te bereiken voor automatische PII-detectie, specifiek gericht op de kritieke behoefte om foutieve negatieven te minimaliseren in nalevingsgevoelige privacytoepassingen.