3775 papers
Deze studie implementeert en evalueert een Retrieval-Augmented Generation (RAG) medisch vraag-antwoord-systeem met behulp van de MedQuAD-dataset, waarmee wordt aangetoond dat domeinspecifieke embeddingmodellen, in het bijzonder MedCPT, algemene baselines aanzienlijk overtreffen in zowel ophaalnauwkeurigheid als antwoordkwaliteit.
Dit artikel introduceert Maand, een full-stack, multimodale door AI gedreven virtuele platform voor geestelijke gezondheidszorg dat tekst, stem, realtime gebarentaal en immersieve emotionele omgevingen integreert om het wereldwijde tekort aan behandelaars en toegankelijkheidsbarrières te overwinnen, waarbij een robuuste klinische veiligheid, lage latentieprestaties en een hoge gebruikersacceptatie worden aangetoond door middel van rigoureuze empirische validatie.
Dit artikel presenteert A-Str, een acyclische automata-gebaseerde string constraint solver die de Java String API's natief ondersteunt om complexe Java verificatie- en dynamic symbolic execution-benchmarks efficiënt en robuust op te lossen, waarbij het bestaande tools overtreft op Java-specifieke taken terwijl het competitief blijft op standaard SMT-LIB-benchmarks.
Dit artikel stelt een nieuwe tweedimensionale probabilistische foutentaxonomie en een geïntegreerd waarborgingskader voor dat de kloof overbrugt tussen traditioneel deterministisch risicomanagement en de unieke stochastische defecten van op transformermodellen gebaseerde AI, waardoor gereguleerde levenswetenschappen een continue staat van controle kunnen handhaven door middel van verfijnde foutenclassificatie, onherleidbaarheidstoetsing en afstemming op FDA-validatielevenscycli.
Dit artikel stelt MESNet voor, een lichtgewicht Transformer-CNN collaboratief netwerk dat morfologische rand- en vormbewustheid integreert om een nauwkeurige en efficiënte gliomsegmentatie te bereiken met verminderde randfouten en lagere computationele kosten.
Deze studie stelt een hybride kennisgestuurd besluitvormingskader voor en valideert dit, dat semantische retrieval, op FMEA gebaseerde technische kennis en op Ishikawa gebaseerde contextbeoordeling integreert met een LightGBM-model om een hoge nauwkeurigheid te bereiken bij de identificatie van grondoorzaken in de productie, waardoor het aantal hypothesen dat experts moeten onderzoeken effectief wordt verminderd terwijl de robuustheid tegen ruisige gegevens behouden blijft.
Deze fenomenologische vergelijkende studie onthult dat hoewel menselijke percepties en de projecties van Large Language Models (LLM's) van een post-singulariteitstoekomst aanvankelijk verschillen in vocabulaire, het wegsnijden van de door corporate RLHF opgelegde beleefdheidsprotocollen de meer fatalistische narratieven van LLM's blootlegt, die vervolgens overeenstemmen met menselijke zorgen en significante controle-risico's met betrekking tot desinformatie en cognitieve soevereiniteit benadrukken.
Deze studie presenteert een deep learning-pipeline die gebruikmaakt van georiënteerde objectdetectie en Siamese neurale netwerken, waarmee een hoge nauwkeurigheid wordt bereikt bij automatische teltelling en plaatsing van volledige gebitsseries op röntgenfoto's, wat potentieel de tandheelkundige diagnostische workflows kan stroomlijnen.
Deze systematische literatuurstudie analyseert kritisch machine learning-technieken voor persoon- en scèneanalyse met behulp van oog-gereflecteerde beelden door 12 primaire studies te synthetiseren om een onderzoeks-taxonomie voor te stellen, belangrijke hiaten te identificeren en toekomstige richtingen voor dit opkomende veld te schetsen.
Deze studie evalueert en vergelijkt vijf machine learning-algoritmen, waaronder geoptimaliseerde ensemble- en boostingmodellen, op de Pima Indians Diabetes-dataset om het risico op diabetes te voorspellen, waarbij geoptimaliseerde Random Forest wordt geïdentificeerd als het meest nauwkeurige model en SHAP-analyse wordt gebruikt om glucose, BMI en leeftijd als de belangrijkste voorspellende factoren te bevestigen.