929 papers
Dit artikel introduceert Weak-Topological Neural Operators (WTNO), een raamwerk dat de selectie van neurale operatoren voor partiële differentiaalvergelijkingen verbetert door staatvoorspellers te koppelen aan geometrische, topologische en zwakke maat-certificaten om robuuste fysieke voorspellingen te waarborgen in scenario's met interfaces, topologische veranderingen en zeldzame gebeurtenissen.
Deze studie levert empirisch bewijs dat iteratieve zelfverfijning van taalmodellen consistent convergeert naar stabiele semantische vaste punten over diverse architecturen en doelstellingen heen, wat suggereert dat er een onderliggend energielandschap bestaat waarbij zelfverbetering fungeert als een impliciet optimalisatieproces.
Deze studie evalueert de educatieve bruikbaarheid van WEKA en Orange voor beginners in data mining door middel van taakgebaseerde vergelijkingen en studentfeedback, waarbij wordt geconcludeerd dat Orange effectiever is vanwege de intuïtieve visuele workflow en de gebruiksvriendelijke interface.
Dit artikel introduceert MLCompete, een schaalbaar, meertalig webplatform ontworpen om machine learning-olympiades te evalueren via een asynchrone, metriek-agnostische pipeline en een beveiligde, twee-traps uitvoeringsomgeving, waarbij de robuustheid en betrouwbaarheid ervan worden aangetoond door succesvolle implementatie in de Roemeense Nationale AI-olympiade en internationale deelname.
Dit artikel stelt een Dual-Guidance-raamwerk voor voor semi-gesuperviseerde semantische segmentatie dat een Uncertainty-Aware Dynamic Pseudo-Label Refinement-module en een Class-Prototype Contrastive Guidance-module combineert om gezamenlijk voorspellingen te verfijnen en feature-representaties te regulariseren, waarmee de state-of-the-art prestaties wordt bereikt op de PASCAL VOC 2012 en Cityscapes benchmarks.
Deze systematische review van 108 studies (2010–2026) analyseert hoe AI marketingmeting hervormt door een "Meet–Valideer–Bescherm"-framework voor te stellen dat het verhoogde voorspellende vermogen van deep learning en neurale media mix-modellen afweegt tegen de causale beperkingen en nauwkeurigheidskosten die worden opgelegd door privacy-beschermende technieken.
Dit artikel stelt een nieuw Beam Search-Driven Dual-Path Feature Selection met Weighted Merging (BSDPFS-WM) model voor dat geavanceerde preprocessing, multi-strategische featureselectie en stacked generalisatie integreert om robuuste, generaliseerbare en uitlegbare detectie van meerdere soorten kanker over diverse klinische datasets heen te bereiken.
Dit artikel presenteert een uitgebreide benchmark van negen encoder-decoder architecturen voor automatische beschrijving van fractieröntgenfoto's op een klinisch gecureerde dataset, waarbij wordt aangetoond dat het op vision-language pre-training gebaseerde BLIP-Base model andere combinaties van visuele encoders en GPT-2 decoders overtreft, terwijl het cruciale inzichten biedt in faalmodi en architecturale selectie voor medische beeldvormingstaken met beperkte middelen.
Dit artikel toont aan dat hoewel het ForesightLM-v2-model er succesvol in slaagt een stabiel signaal voor toekomstvoorspelling op zinsniveau te leren, deze representatie er niet in slaagt het generatiegedrag direct te beheersen, wat onthult dat de schijnbare voordelen primair voortkomen uit semantische herrangschikking in plaats van de geleerde toekomstige term, en wat een kritieke kloof tussen geleerde representaties en gekalibreerde gedragsuitkomsten in kleine taalmodellen benadrukt.
Dit artikel stelt een gedragscentrisch framework voor dat Sysmon-events reconstrueert tot op GUID's gecorreleerde sequenties om de classificatie van MITRE ATT&CK-technieken te verbeteren, waarbij wordt aangetoond dat het behouden van procesniveau-context beter presteert dan temporele groepering en dat een baseline SecureBERT-model superieure resultaten behaalt zonder expliciete mitigatie van klassenonbalans.