1015 papers
Dit artikel introduceert Res6-Deep11, een nieuw ongesuperviseerd beeldreconstructiemodel dat effectief olievlekken in SAR-beelden detecteert en segmenteert zonder dat er pixel-niveau grondwaarheid-labels vereist zijn, waarbij het een superieure prestatie levert ten opzichte van de huidige state-of-the-art methoden met een F1-score van 77,33%.
Dit artikel introduceert DTap, het eerste controleerbare en interactieve red-teaming platform voor AI-agenten, dat een autonome red-teaming agent (DTap-Red) en een grootschalige benchmark (DTap-Bench) omvat om systematisch beveiligingskwetsbaarheden over 14 real-world domeinen te evalueren en bloot te leggen.
Dit artikel presenteert een schaalbaar framework voor het operationaliseren van betrouwbare AI in de gezondheidszorg door gebruik te maken van een Error Analysis Decision Tree en novelle methodologische innovaties om verborgen falen in subgroepen te ontdekken en bias te mitigeren, waardoor abstracte rechtvaardigheidsprincipes worden vertaald naar verifieerbare engineeringdoelstellingen die naleving van regelgeving zoals de EU AI Act waarborgen.
Deze systematische review van 154 studies (2021–2025) onthult dat, hoewel AI voor IoT/IIoT-beveiliging sterk gericht is op intrusiedetectie, de huidige research een gebrek aan operationele validiteit vertoont door een tekort aan labels en beperkte middelen, wat een verschuiving noodzakelijk maakt naar gestandaardiseerde, drift-bewuste en uitlegbare implementatieprotocollen.
Dit artikel introduceert de constraint-bewuste Decomposition–Recomposition Process Element Annotation (DR-PEA) methode om Process Semantic Collapse in grote taalmodellen te mitigeren door ongestructureerde procestekst te transformeren naar gestandaardiseerde gestructureerde data via een driestaps pijplijn van semantische decompositie, procesrecompositie en constraint mapping, waarbij superieure prestaties worden behaald ten opzichte van bestaande baselines.
Deze studie vergelijkt de classificatienauwkeurigheid en de uitlegbaarbaarheidsstabiliteit van DenseNet121 en Vision Transformer-modellen op histopathologische beelden van borstweefsel, waarbij een kritieke afweging wordt onthuld waarbij DenseNet121 een hogere nauwkeurigheid en gelokaliseerde verklaringen bereikt, terwijl de Vision Transformer een grotere robuustheid van verklaringen onder inputperturbaties vertoont.
Deze studie presenteert een driefasig deep learning-framework dat LSTM-gebaseerde pH-voorspelling combineert met Deep Reinforcement Learning-besturing, gevalideerd tegen Afrikaanse bodemprofielen met behulp van synthetische gegevens, om een schaalbare en overdraagbare oplossing te bieden voor het optimaliseren van mijnbouwreclamatie in data-arme sub-Saharaanse regio's.
Deze studie toont aan dat Deep Set-gebaseerde aggregatie die gebruikmaakt van zelf-aandacht beter presteert dan traditionele methoden bij het modelleren van variabel-lengte, hoogfrequente draagbare fysieke activiteitsgegevens, terwijl het suggereert dat eenvoudigere aggregatiestrategieën voldoende blijven voor stabielere, laagfrequente metingen.
Dit artikel presenteert AdapNet-IDS, een zelfaanpassend en interpreteerbaar deep learning-framework dat BiLSTM, self-attention en Elastic Weight Consolidation integreert om met hoge nauwkeurigheid en in real-time intrusiedetectie met continu leervermogen en transparante besluitvorming over diverse netwerkomgevingen heen te bereiken.
Dit artikel stelt FedMOJO voor, een gesloten collaboratief framework dat low-rank representatieleer, differentiële privacy en fairness-privacy optimalisatie integreert om effectief een balans te vinden tussen nut, groepsrechtvaardigheid en privacybehoud in federatieve tekstclassificatie onder non-IID data.