927 papers
Dit artikel stelt FL-SNNIDS voor, een federated Spiking Neural Network-framework dat energiezuinige, laag-latente en privacy-bewarende intrusiedetectie mogelijk maakt voor hulpbron-beperkte agrarische SDN-IoT-netwerken door een hoge nauwkeurigheid te bereiken via collaboratieve modeltraining zonder uitwisseling van ruwe gegevens.
Deze bibliometrische review van 137 hoogwaardige artikelen uit 2024 tot 2026 brengt het snel evoluerende landschap van verdedigingsmechanismen voor Large Language Models in kaart, waarbij de belangrijkste thematische verschuivingen naar kwetsbaarheidsdetectie en benchmarking identificeert, terwijl tegelijkertijd kritieke tekortkomingen in de evaluatie-infrastructuur worden belicht die governance-risico's vormen voor implementaties met een hoog belang.
Dit artikel presenteert Automated Vehicle Inspection (AVI), een multi-view deep learning-systeem dat gesynchroniseerde 360-graden beeldvorming integreert met gespecialiseerde detectiemodellen en een regelgebaseerde engine om een hoge nauwkeurigheid te bereiken bij variantbewuste voertuigverificatie en defectdetectie met een doorvoersnelheid van 3,3 voertuigen per minuut.
Dit artikel presenteert een datagestuurde machine learning-pipeline die de nauwkeurigheid van de classificatie tussen introverte en extraverte persoonlijkheden aanzienlijk verbetert naar 91,90% door het ontwerpen van drie samengestelde gedragskenmerken en het evalueren van 13 algoritmen, waarmee wordt aangetoond dat K-Nearest Neighbors het beste presteert binnen een statistisch robuust kader.
Deze rigoureuze empirische studie toont aan dat hoewel conventionele offline clustering van penultieme kenmerken om intra-klasse substructuur te ontdekken onbetrouwbaar is en vaak de prestaties van tabulaire classificatie verslechtert, een gezamenlijke end-to-end subcenter-training benadering deze risico's effectief mitigeert, hoewel de auteurs concluderen dat er momenteel geen robuuste heuristiek bestaat om te voorspellen wanneer dergelijke substructuurontdekking gunstig is.
Dit artikel presenteert een volledig geautomatiseerde pijplijn die BioBERT-contextuele embeddings, hybride clustering en temporele citatieranking integreert om biomedische onderzoekslandschappen effectief in kaart te brengen en evoluerende hotspots te identificeren, zoals aangetoond door middel van een uitgebreide casestudy over cataractonderzoek.
Dit artikel stelt een nieuw raamwerk voor voor het identificeren van belangrijke verkeersobjecten dat gebruikmaakt van Bird's-Eye View globale interactiemodellering en een Contrastive Language-Motion Pre-training aanpak om menselijke kennis te integreren, waardoor de beperkingen van bestaande 2D-visuele methoden in ruimtelijke-temporele redenering en dynamisch begrip worden overwonnen.
Het artikel stelt het CATD-LPT-CFPM-framework voor, dat closed frequent pattern mining verbetert door transacties te clusteren om de zoekruimte te verkleinen en een multi-level pruning-strategie met een Top-Down Closedness Pruning-mechanisme toe te passen om redundante verwerking en geheugengebruik te minimaliseren, ondanks het feit dat het enige overhead veroorzaakt door clustering en boomconstructie.
Dit artikel stelt een verbeterd op PointNet gebaseerd framework voor voor autonome defectidentificatie in 3D-puntenwolken dat deterministische SVD-gebaseerde canonieke uitlijning en gewogen cross-entropy loss gebruikt om geometrische variabiliteit en klasse-onbalans te overwinnen, waarbij verbeterde nauwkeurigheid en verminderde inferentielatentie worden bereikt voor real-time industriële inspectie.
Dit artikel stelt het Chaotic Improved Cloud Drift Optimization (CI-CDO) algoritme voor, een nieuwe metaheuristiek die is verbeterd door atmosferische turbulentiedynamiek en chaotische kaarten, die superieure prestaties demonstreert bij het oplossen van benchmark optimalisatieproblemen, het selecteren van optimale kenmerkensubsets voor classificatie en het voorspellen van real-world milieugegevens.