💻 Category

cs

3729 papers

💻 informatica

Explainable and Uncertainty Aware Deep Learning for Concealed Prohibited Item Detection in Nonintrusive X-ray Inspection

Dit artikel introduceert CAU-XInspect, een uitlegbaar en onzekerheidsbewust deep learning-framework gebouwd op YOLO26 dat de detectie van verborgen verboden voorwerpen in röntgenfoto's aanzienlijk verbetert door middel van een nieuwe Concealment-Aware Feature Enhancement Module, waarbij sterke prestaties worden behaald op de PIDray-benchmark terwijl tegelijkertijd de noodzaak voor verdere domeinadaptatie vóór echte implementatie wordt benadrukt.

Paul Kategaya Kisozi2026-10-20
💻 informatica

Beyond mIoU: A Deployment-Oriented Evaluation Framework for UAV Semantic Segmentation

Dit artikel stelt een uitgebreid, op implementatie gericht evaluatiekader voor semantische segmentatie door UAV's voor, dat verder gaat dan traditionele mIoU-metrieken door efficiëntie, robuustheid, kalibratie en ruimtelijke foutanalyse te integreren om de selectie van optimale modellen voor praktische toepassingen te begeleiden.

Nadeem Gul, Meng Qin, Aamir Naveed Abbasi, Sichun Zheng, Gu Yuanyuan, Changqing Cao2026-10-20
💻 informatica

Zero-Trust, Zero-Knowledge: A Lightweight Blockchain and Federated Learning Framework for Privacy-Preserving IoT Device Authentication

Dit artikel stelt een lichtgewicht, privacybehoudend IoT-authenticatieframework voor dat Zero-Trust Zero-Knowledge-principes, gedragsgebaseerd federated learning met differential privacy en een hoogdoorvoopproof-of-authority-blockchain integreert om een nauwkeurigheid van 99,2% en robuuste beveiliging tegen aanvallen te bereiken, terwijl een lage latentie en lage kosten worden gehandhaafd.

Mohamed Koroma, Ibrahim Abdulai Sawaneh, Mohamed Syed Fofanah, Maurice Sesay2026-10-20
💻 informatica

Comparative Evaluation of Machine Learning Models for Heart Disease Prediction: Performance, Calibration, Threshold Selection, and Explainability

Deze studie evalueert vijf machine learning-modellen op de Cleveland Heart Disease-dataset en stelt vast dat logistische regressie met een gekalibreerde drempelwaarde van 0,552 de beste prestaties leverde (85,71% nauwkeurigheid en 0,939 ROC-AUC), waarbij belangrijke vaten, het type pijn op de borst en de resultaten van de thalliumtest als cruciale voorspellers werden geïdentificeerd, hoewel de auteurs benadrukken dat externe validatie nodig is voordat deze bevindingen kunnen worden gegeneraliseerd naar diverse populaties.

Stanley Kirunda Dhakaba¹, Patience Atukunda¹, Anthony Bua²2026-10-20
💻 informatica

An Internet Search--Augmented Soft Prompt Tuning Framework for Explainable Resume Screening in Healthcare Recruitment

Deze studie presenteert een door internetzoekopdrachten versterkt, via soft-prompt-tuning aangepast framework voor grote taalmodellen dat de nauwkeurigheid, verklaarbaarheid en efficiëntie van het screenen van cv's in de gezondheidszorg aanzienlijk verbetert door gestructureerde extractie, gerichte bewijsretrieval en expertregels te integreren om gekwalificeerde kandidaten te prioriteren terwijl menselijk toezicht behouden blijft.

Yanting Wu, Tianao Hu, Siyu Gu, Yilin Mao, Xingxing Cen2026-10-20
💻 informatica

A Scalable Framework for Longitudinal Surveillance of Research Evolution in Digital Medicine

Dit artikel presenteert een nieuw, schaalbaar kader voor het volgen van de evolutie van onderzoek binnen heterogene biomedische literatuur, dat werd toegepast op 78.073 artikelen in de digitale geneeskunde om verschuivende trends in machine learning en generatieve AI te onthullen, terwijl het tegelijkertijd aantoont dat veel ogenschijnlijke dalingen in onderwerpen artefacten zijn van veranderingen in trefwoordenbronnen in plaats van een werkelijke afname van de belangstelling.

Yilun Liang, Gongbo Zhang, Casey Ta, Yilu Fang, Chunhua Weng2026-10-20
💻 informatica

Exact and near-duplicate symptom profiles inflate the reported performance of machine learning classifiers for diabetes: a leakage- aware re-evaluation of the UCI Early-Stage Diabetes dataset

Deze studie toont aan dat de breed gerapporteerde hoge prestaties van machine learning-classifiers op de UCI Early-Stage Diabetes-dataset aanzienlijk worden opgeblazen door datalekken uit exacte en bijna identieke symptoomprofielen, waarbij wordt onthuld dat rigoureuze profiel-gegroepeerde kruisvalidatie de nauwkeurigheidsschattingen substantieel verlaagt en de modelrangschikkingen verandert.

William Marin-Rodriguez, Daniel Andrade-Girón, Viviana Vellon-Flores, Enrique Diaz-Vega, Timoteo Solano-Armas2026-10-20