2363 papers
Dit artikel stelt een hybride diep-kwantumframework voor dat een 1D-CNN voor feature extractie integreert met een quantum support vector classifier om een superieure nauwkeurigheid bij stressdetectie (81,00%) op EEG-signalen te bereiken vergeleken met klassieke baselines, terwijl het de afhankelijkheid van het model van feature scaling en dimensionaliteit binnen het NISQ-tijdperk aantoont.
Dit artikel stelt WTFFN-YOLO voor, een verbeterd lichtgewicht objectdetectiekader voor oppervlaktefouten aan windturbinebladen, dat het C3K2-SACA-aandachtsmechanisme, een frequentiebewuste featurefusiemodule en een WTFFN-necknetwerk integreert om een toename van 6,9% in mAP en een reductie van 8% in modelparameters te bereiken.
Deze studie toont aan dat een hybride CNN–BiLSTM-architectuur traditionele akoestische kenmerkensanalyse en eenvoudigere deep learning-modellen overtreft bij het kwantificeren van linguïstisch ritme door een nauwkeurigheid van meer dan 95% te bereiken bij het onderscheiden van Sanskriet en Hindi-gezang van normale spraak, terwijl het een grotere ritmische regelmaat in het Sanskriet onthult vanwege de lettergreepgetimede structuur.
Dit artikel onthult dat Physics-Informed Neural Networks (PINNs) toegepast op SIR-modellen lijden aan "latente schuld" tijdens vroege exponentiële groeifasen, waarbij een vlak, rangarme verlieslandschap de optimalisatie toestaat om residuen te minimaliseren door niet-geobserveerde latente toestanden te vervormen en fouten voort te planten, wat uiteindelijk resulteert in numeriek accurate oplossingen met fundamenteel incorrecte parameterschattingen.
Deze studie toont de significante prestatievoordelen van NVIDIA RTX 3050 GPU's ten opzichte van Intel CPU's bij deep learning-training aan, waarbij een 40,6-voudige versnelling voor grootschalige ResNet50-modellen op de CIFAR-10-dataset wordt onthuld.
Xender+ is een nieuw framework dat de efficiëntie van tijdreeksgegevensoverdracht verbetert door frequente online modelhertraining te vervangen door een cloudzijde-bibliotheek van vooraf getrainde, op patronen geclusterde modellen voor directe hergebruik, waardoor het een lagere end-to-end latentie en een hoge reconstructienauwkeurigheid bereikt in vergelijking met de huidige state-of-the-art baselines.
Dit artikel introduceert een resource-bewust benchmarkingframework dat gebruikmaakt van adaptieve temporele sampling om de efficiëntie-nauwkeurigheid-afwegingen in video-actierherkenning te evalueren, waarbij wordt aangetoond dat de R(2+1)D-18-architectuur het energieverbruik aanzienlijk vermindert terwijl de prestaties stabiel blijven over variërende computationele budgetten.
Deze studie stelt een multimodale deep learning-framework voor die borstfoto's integreert met demografische metadata met behulp van een ConvNeXt Large-backbone, waarbij een macro-gemiddelde AUC van 96,88% wordt bereikt op de NIH ChestX-ray14-dataset en een superieure prestatie en interpreteerbaarheid wordt aangetoond vergeleken met bestaande modellen die enkel afbeeldingen gebruiken.
Dit artikel stelt HRDAWNet voor, een nieuw attention-framework dat Triple-Factorized Attention en Dynamic Adaptive Windowing integreert om de state-of-the-art nauwkeurigheid te bereiken bij het classificeren van premature atriale en ventriculaire contracties door effectief complexe spatio-temporele afhankelijkheden te vangen en zich aan te passen aan dynamische contextuele informatie.
Dit artikel presenteert een casestudy over meerdere semesters die aantoont dat het vervangen van traditionele XAMPP-gebaseerde PHP-ontwikkelomgevingen door Docker en DevContainers in Bahreinse universiteiten de opsteltijd voor studenten met meer dan 90% vermindert en de extrinsieke cognitieve belasting aanzienlijk verlaagt, waardoor configuratiefouten het voortbestaan van de gehele cursus niet in gevaar brengen.