2358 papers
Dit artikel stelt CWMAN-EEG voor, een voorwaardelijk gewogen multi-source adversarieel netwerk dat de uitdagingen van cross-subject EEG-emotieherkenning aanpakt door gedeelde en geïndividualiseerde kenmerken te scheiden en brondomeinen adaptief te wegen op basis van distributiesimilariteit om state-of-the-art prestaties te behalen op de SEED- en SEED-IV-datasets.
Deze studie toont aan dat de Gated Recurrent Unit (GRU) zowel machine learning-modellen als andere deep learning-architecturen aanzienlijk overtreft bij het voorspellen van de exportprijzen van Vietnamese Robusta-koffie tijdens een periode van ernstige structurele breuken, terwijl het op transparante wijze methodologische beperkingen adresseert en actiegerichte risicoparameters biedt voor termijncontracten.
Dit artikel presenteert een nieuw, door robotica geïnspireerd tri-metaheuristisch framework geïntegreerd met neuromorfische edge-intelligentie dat real-time multimodale biomedische signaalverwerking optimaliseert om een hoge diagnostische nauwkeurigheid en ultra-laag stroomverbruik te bereiken, wat continue 72-uurs draagbare monitoring mogelijk maakt en de klinische besluitvormingsondersteuning voor vroege ziekte detectie aanzienlijk verbetert.
Dit artikel stelt EC-ARAG voor, een bewijs-beperkt agentisch retrieval-augmented generation-framework dat de betrouwbaarheid, consistentie en efficiëntie van het voorlopig ontwerp van civieltechnische werken voor onderstations aanzienlijk verbetert door regelgeving-bewuste retrieval, conflictresolutie en dubbele verificatielussen te integreren om conventionele RAG-systemen te overtreffen.
Dit artikel introduceert de eerste systematische baselines en evaluatieprotocollen voor de CIC-YNU-IoTMal2026 multimodale IoT-malware dataset, waarbij kritieke valkuilen worden onthuld zoals datalekken door willekeurige splitsingen, hoge missiecijfers voor slapende monsters onder lekvrije omstandigheden, en ernstige cross-architectuur fragiliteit, terwijl wordt aangetoond dat de keuze van het protocol in plaats van de modelselectie uiteindelijk de gerapporteerde prestaties domineert.
Dit artikel presenteert een lokalisatiebewust heterogeen CNN-ensemble met neurale meta-fusie dat aantoont hoe de kritieke componenten van plantenziekteclassificatie-pipelines verschuiven van ensemblebreedte en handmatige descriptoren in laboratoriumomgevingen naar bladlokalisatie en geleerde fusie wanneer ze worden toegepast op veldbeelden, gevalideerd door rigoureuze ablatiestudies op zowel de PlantVillage- als de PlantDoc-datasets.
Dit artikel stelt een nieuw hybride deep learning-framework voor dat 3D-CNN, Bi-LSTM en Transformer-architecturen integreert met een adaptieve drempelwaarde-module en multi-objective loss-optimalisatie om state-of-the-art, realtime anomaliedetectie in videobewaking te bereiken door het aantal valse alarmen onder diverse omgevingscondities aanzienlijk te verminderen.
CEGNN-Fraud is een schaalbare heterogene temporele graaf neurale netwerk die financiële fraude detectie verbetert door middel van een event-geconditioneerde betrouwbaarheidspoort en een beperkt LLM voor bewijsgestuurde risicorapportage, waarbij het een superieure prestatie demonstreert in nauwkeurigheid, robuustheid en generalisatie vergeleken met bestaande baselines.
Dit artikel introduceert DMAP-RAG, een framework dat Retrieval-Augmented Generation verbetert door een boomstructuur-gebaseerde dual-storage geheugenarchitectuur en gepersonaliseerde agent-besluitvorming te integreren om competitieve prestaties te behalen in de coherentie van meerzaalgesprekken en gebruikerssatisfactie.
Dit artikel presenteert een vergelijkende analyse van zeven vooraf getrainde deep learning-modellen op T1-CE MRI-scans voor de classificatie van hersentumoren, waarbij wordt aangetoond dat VGG-16 de hoogste nauwkeurigheid (92,45%) bereikt wanneer deze wordt getraind met diverse augmentatietechnieken en optimalisatoren, terwijl gebruik wordt gemaakt van Grad-CAM om de interpreteerbaarheid van het model te verbeteren.