1062 papers
Dit artikel stelt een machine learning-paradigma voor dat traditionele beeldreconstructie omzeilt om direct entiteiten van belang, zoals ziekten, te detecteren uit minimale metingen, waardoor de acquisitiekosten en de tijd aanzienlijk worden verminderd terwijl de diagnostische nauwkeurigheid behouden blijft.
Dit artikel stelt een hybride taakallocatiekader voor voor heterogene multi-robot-systemen dat een Large Language Model combineert voor het genereren van hoogwaardige initiële oplossingen op basis van natuurlijke taal met een geheugengestuurd Speed-Up Slow-Down lokaal zoekalgoritme, waarbij een reductie van 17,07% in de missie-makespan wordt bereikt vergeleken met traditionele methoden terwijl de schaalbaarheid behouden blijft.
Dit artikel introduceert de Virtual Speech Therapist (VST), een door AI aangedreven platform met een clinician-in-the-loop, dat op deep learning gebaseerde stotterclassificatie integreert met multi-agent large language model-redenering om gepersonaliseerde, op bewijs gebaseerde behandelplannen te genereren, te bekritiseren en te verfijnen voor deskundige beoordeling en implementatie.
Dit artikel introduceert de "Dice Roll Method", een statistisch gefundeerd protocol dat gebrekkige parametrische aannames vervangt door een negatief-binomiale GLMM-framework en simulatiegebaseerde poweranalyse om gestandaardiseerde iteratieaantallen en betrouwbaarheidsdrempels vast te stellen voor het meten van stochastische bias in de outputs van grote taalmodellen.
MobiShield is een nieuw federated learning-framework voor de detectie van Android-malware dat tegelijkertijd non-IID-dataheterogeniteit, concept drift en privacylekken aanpakt door adaptieve feature-weging, Hoeffding-gebaseerde driftdetectie en een dynamisch differentieel privacymechanisme te integreren dat ruisoniveaus aanpast als reactie op distributieverschuivingen.
Dit artikel stelt een privacy-bewarend federated learning-framework voor dat een hybride Deep Neural Network en XGBoost-model integreert om effectief cyberdreigingen in Internet of Medical Things-omgevingen te detecteren, terwijl uitdagingen met betrekking tot gegevensprivacy, non-IID-gegevensverdeling en aanvallen door tegenstanders worden aangepakt.
Dit artikel stelt een lichtgewicht, modulair, op retrieval gebaseerd framework voor dat effectief hallucinaties in Large Language Models detecteert en corrigeert door gebruik te maken van TF-IDF bewijsretrieval en gewogen verificatie, waarbij een hoge detectie nauwkeurigheid en een significante reductie van hallucinaties wordt bereikt zonder de computationele overhead van multi-LLM inferentie.
Dit artikel stelt een nieuw conceptueel kader voor, Secure QoS-IPv6, dat AI-gestuurde anomaliedetectie, een lichtgewicht consortiumblockchain en op Deep Reinforcement Learning gebaseerde routering synergetisch integreert binnen een vierlaagse SDN- en 6TiSCH-architectuur om veiligheids-, vertrouws- en Quality of Service-uitdagingen in hulpbronnenbeperkte, heterogene IPv6 IoT-netwerken holistisch aan te pakken.
Deze studie toont aan dat de citatierisico-uitkomsten voor klinische gastro-enterologie-artikelen nauwkeurig voorspeld kunnen worden met uitsluitend publicatietijd-informatie, waarbij niet-semantische baselines en whole-document embeddings een hoge prestatie leveren bij het identificeren van artikelen met lage citaties binnen een begrensde literatuurcorpus.
Het artikel stelt CAFR voor, een tweeweg-detectiekader dat de detectie van onbekende objecten verbetert door een asymmetrisch rectificatiemechanisme toe te passen om overmatige zekerheid bij bekende categorieën te voorkomen en prototype-gestuurde voorgrondmodellering te gebruiken om de objectheidsschatting te verbeteren, waardoor superieure precisie- en F1-scores worden behaald terwijl de prestaties van bekende categorieën stabiel blijven.