2358 papers
Dit artikel stelt een Explainable Machine Learning en IoT-framework voor dat realtime sensordata integreert met ensemble-algoritmen en XAI-technieken om de academische prestaties van middelbare scholieren nauwkeurig te voorspellen en transparante, gepersonaliseerde leerinterventies te genereren.
Deze preregistreerde studie toont aan dat grote taalmodellen betrouwbaar de Big Five-persoonlijkheidskenmerken kunnen afleiden uit live gesprekken met een hoge interne consistentie en convergentievaliditeit, met name voor neuroticisme en meegaandheid, hoewel de prestaties variëren per observeerbaarheid van het kenmerk en promptingstrategie.
Deze studie stelt een robuust en lichtgewicht intrusiedetectiekader voor IoMT-netwerken voor met behulp van de CICIoMT2024-, CICIoT2023- en Edge-IIoTset-datasets, waarbij wordt aangetoond dat hoewel ensemblemodellen zoals XGBoost uitblinken in scenario's binnen hetzelfde domein, zorgvuldige modelselectie zoals Logistische Regressie cruciaal is voor het behoud van stabiliteit en effectiviteit in cross-domein omgevingen, ondanks uitdagingen in feature-compatibiliteit.
Deze studie stelt een door AI verbeterd framework voor dreigingsinformatie voor dat machine learning integreert met Zero Trust-principes om de realtime detectie van dreigingen aanzienlijk te verbeteren, het aantal fout-positieven te verminderen en de cyberweerbaarheid tegen geavanceerde aanvallen in dynamische cloudomgevingen te versterken.
Dit artikel introduceert SciSchema.org, de eerste multidisciplinaire collectie van 16 door experts geannoteerde schema's die zijn ontworpen om de beschrijving van wetenschappelijke processen over diverse vakgebieden heen te standaardiseren, waardoor gestructureerde annotatie, reproduceerbaarheid en vergelijking tussen studies mogelijk worden via een human-in-the-loop ontwikkelingsworkflow.
Dit artikel stelt Epistemic Function Diagnosis (EFD) voor als een verenigend referentielageniveau om de complexe, gelijktijdige gevaren van door AI ondersteund ontwerp te analyseren en te interveniëren door gevestigde kaders te integreren via een 2×2 diagnostisch-interventie architectuur en een Belief-Means-Method-Justification (BMMJ) grammatica, terwijl de noodzaak voor toekomstige empirische validatie wordt erkend.
Dit artikel introduceert AMORL, een training-bewust, adaptief framework dat reinforcement learning en convolutionele neurale netwerken combineert om diverse DNN-workloads dynamisch toe te wijzen aan heterogene Networks-on-Chip, waarbij significante reducties in communicatiekosten, belastingimbalans en latentie worden bereikt terwijl een hoge doorvoer en energie-efficiëntie behouden blijven.
Deze studie toont aan dat hedendaagse grote taalmodellen, met name wanneer zij worden gestuurd door geavanceerde prompting-technieken, de triage van reumatologische verwijzingen kunnen automatiseren met een nauwkeurigheid die vergelijkbaar is met of de expertise van menselijke experts overtreft, waardoor de noodzaak voor dure, grootschalige modellen effectief wordt geëlimineerd.
Dit artikel presenteert een end-to-end federated hybride deep learning-framework voor IoT-intrusiedetectie dat diverse modellen (waaronder CNN, LSTM en XGBoost) voorbewerkt en traint op de N-BaIoT, CICIoT2023 en BoT-IoT datasets om een sterke prestatie te bereiken terwijl privacy en resourcebeperkingen worden geadresseerd, waarbij de resultaten de specifieke uitdaging van de multiclass CICIoT2023-dataset benadrukken.
Dit artikel stelt een patch-gerouteerde mixture-of-experts-architectuur voor voor continue MOBA-draft-aanbevelingen die versiebeheer van patch-identiteiten benut om adaptatie te isoleren, waardoor nul vergeten en aanzienlijk snellere convergentie met minder opslag wordt bereikt vergeleken met onafhankelijke modellen, hoewel het snelheidsvoordeel afneemt naarmate de stroom van patches langer wordt.