This study assessed ICTMT awareness among Indian and Hungarian university students on different continents. He analyzed student attitudes toward ICTMT using differential, inferential, and predictive methods. MLR approaches predicted high Hungarian university student opinions. According to Pearson correlation, technology benefits favorably correlated with student attitude and usability. Exploratory Factor Analysis (EFA) suggested important MLR model elements that predicted student evaluations using educational benefit and usability factors. Thus, Hungarian students believe technology usability and benefits have been greatly affected. Based on ICTMT technology, Indian students' attitude was identified with the LR method. Their attitude and ICTMT advantages correlated positively according to the Pearson Correlation. EFA-PCA recommended all features. The Mann-Whitney U test then compared Indian and Hungarian students' technology use and advantages opinions. The T-test also promotes technology's national benefits. Technology use among Indian and Hungarian students was correlated through Correspondence Analysis (CA). It found a considerable technology benefit for Hungarian pupils but not Indian students. The Chi2, Fisher's Exact (FE), and Cramer's v (CV) tests assessed their viewpoint. The Mann-Whitney U test showed that Hungarian and Indian pupils' opinions differed. Then, Kruskal-Wallis H, Welch's t, and Mann-Whitney U tests compared opinions on technological progress and access. These statistical tests show that Indian and Hungarian students' perspectives differ. The optimistic machine learning models SVM, MLP, and PCA predicted students' nations based on their technology opinions. Another machine learning predictive model identifies ICTMT students' gender and geography. Students, teachers, parents, institutions, and government may benefit from the research. Students in both nations can learn about education technology developments. Management, technical coordinator, and teachers can assess and train pupils' technology awareness.

He developed Student Demographic Identification (SDI) to accurately identify a student's demographic attributes (age, course). SDI was compared to Random Forest (RF), Logistic Regression (LR), and Radial Support Vector Machine (R–SVM). The suggested technique improves classifier accuracy, F1-score, precision, recall, and Matthews Correlation Coefficient (MCC). He suggested important features to identify students' age, course, and gender. SDI correctly identified the student's age group and course 96% and 97%, respectively. Gradient Boosting (GB) improves LR, R-SVM, and RF gender prediction. RF and GB also identified student genders with 98% accuracy. All three classifiers also correctly recognized the student's area and institution with 99% accuracy. Our SDI algorithm may predict student demographics in real-time surveys.

Using machine learning and statistics, this study examined innovative elements affecting informatics students' satisfaction and happiness. The Random Forest (RF) method accurately predicted student happiness at 88%. Students loved hybrid learning and thought it was better for theory than laboratories. Student's t–test showed that age and course affected hybrid learning safety online (p < 0.05). Students in bachelor's programs (B.Sc.) under 20 were more confident than those in master's programs (M.Sc.) over 21 that hybrid learning is safe during the epidemic. Student satisfaction affects online education safety concerns and prospects. Time and expense utilization with management, University activities and assistance, and hard group work significantly affected student happiness. Future hybrid learning style, Appropriate for theory classrooms and laboratories, and Time and cost utilization with management were important predictors of student satisfaction with all machine learning methodologies. The article suggested hybrid learning challenges, pandemic support, and safety measures for higher education institutions.

A kínai Changhua Keresztény Kórházban végzett tanulmány vérplazma biomarker mintákat használt a májbetegség stádiumainak osztályozására. A kutatók olyan gépi tanulási algoritmusokat használtak, mint a Random Forest, a Logistic Regression, az XGBoost és a Support Vector Classifier, hogy megjósolják az olyan kórállapotokhoz kapcsolódó májkockázatot, mint a hepatitis, az autoimmun hepatitis, az alkoholos májbetegség és a nem alkoholos zsírmájbetegség. A tanulmány három különböző klasztert azonosított az LSA segítségével, az RF modell pedig 0,94±0,06-os magas pontosságot ért el. A májbetegség stádiumfokozatának legfontosabb jellemzőit azonosították, beleértve a GPT-t, a diagnózis időpontjában betöltött életkort, az eritrociták süllyedési sebességét és a C-reaktív fehérjét. A kifejlesztett modell értékes döntéshozatali eszközöket nyújt a klinikusok számára, lehetővé téve a májbetegség kezelésében a korai és célzott beavatkozásokat. 

Since the COVID-19 pandemic, teachers and students have started using online and hybrid learning in education. There might be several obstacles to adopting hybrid learning in theory classes or lab practice sessions. Based on student opinions, deciding what is appropriate for theoretical class and lab practice is challenging. We employed machine learning approaches to forecast the hybrid learning mode for theory classes and lab practices. We introduce a framework that utilizes machine learning to automate the identification of hybrid learning for Theory Class and Lab practice (TCLPI). Four machine learning models form the foundation of this framework: Random Forest (RDT), Support Vector Machine (SVN), Logistic Regression (LGR), and Extreme Gradient Boosting (XBT). In the context of Theory Class Identification (TCI), the SVN achieves a maximum test accuracy of 0.93, whereas the LGR achieves a minimum accuracy of 0.90. On the other hand, the Lab Practice Identification (LPI), XBT, RDT, and SVN achieved a test accuracy of 0.80. The outcome of trained algorithms is assessed using the Shapley Additive Explanation (SHAP), an explainable Artificial intelligence (AI) approach. This research found that student-teacher interaction decreased during lab practice, which is crucial. Internet disconnections, a lack of support during technological malfunctions, and the likelihood of cheating in exams without monitoring are also issues. We also found that students were accepting of hybrid learning for theory classes. Each model’s intrinsic feature relevance and SHAP values helped prove this. Research shows that hybrid learning works more for theory classes; it is less needed for lab practice for students.

A 3D-s képek biztonsága egy fontos kutatási probléma, amelyet meg kell oldani. A 3D-s képek összetettebb szerkezete miatt ezeknek a képeknek a titkosítása meglehetősen eltér az 1D-s és 2D-s képekétől. Ebben a cikkben egy háromlépcsős, kaotikus térképeken alapuló új képtitkosítási technikát mutatunk be, amelyben a 3D-s képet először a titkosítás előtt a 2D-s képekhez hasonló képformátumra konvertáljuk. A kaotikus rendszer kezdeti feltételeit az SHA-256 függvény használatával generáljuk a sima szöveg koordinátamátrixán. Kezdetben egy logisztikus térképet használunk a 3D-s kép csúcsainak koordinátaértékeinek összekeverésére és véletlenszerű pontok hozzáadására. A koordinátaértékeket ezután a második szakaszban összekeverjük és szétszórjuk a logisztikus-dinamikus kapcsolt logisztikai térképrács (LDCML) modell segítségével generált három sorozat segítségével. Ez a szakasz magában foglalja a lebegőpontos adatok egész és tört részekre bontását is. Az egész részt szétszórjuk, míg a tört részt összekeverjük a folyamat során. A harmadik szakaszban az összekeverést egy sátortérkép használatával végezzük a koordinátapontok között. Ez a folyamat fokozza a 3D-s képek robusztusságát, integritását és bizalmasságát, valamint védelmet nyújt a jogosulatlan hozzáféréssel szemben. A javasolt titkosítási eljárás az x, y és z irányok mentén nullához közeli korrelációs értékeket, 100%-os NPCR-t, 33,37%-os UACI-t és 7,9993-as entrópiaértéket ér el, ami robusztus biztonságát bizonyítja. Az időelemzés azt mutatja, hogy technikánk javítja a hatékonyságot és csökkenti a számítási költségeket azáltal, hogy rövidebb idő alatt dolgozza fel az adatokat. A biztonsági és statisztikai elemzés arra a következtetésre jutott, hogy a javasolt titkosítási algoritmus ellenáll a különféle hagyományos támadásoknak.

Háttér és célkitűzés: A szembetegségek, különösen a szürkehályog korai felismerése elengedhetetlen a látáskárosodás megelőzése érdekében. A pontos és költséghatékony szürkehályog-diagnózis gyakran fejlett módszereket igényel. Ez a tanulmány új mélytanulási modelleket javasol, amelyek globális és lokális figyelmi mechanizmusokat integrálnak a MobileNet és az InceptionV3 architektúrákba a szürkehályog-észlelés javítása érdekében a szemfenéki képekből. Módszerek: Két mélytanulási modellt, a Global-Local Attention Augmented MobileNet (GLAAM) és a Global-Local Attention Augmented InceptionV3 (GLAAI) modellt fejlesztettek ki a szemfenéki képek elemzésének javítására. A modellek egy kombinált figyelmi mechanizmust tartalmaznak a retinaképeken található károsodott régiók hatékony rögzítésére. Adatkiegészítési technikákat alkalmaztak a túlillesztés megakadályozására két szürkehályog-adatállomány betanítása és tesztelése során. Ezenkívül Grad-CAM vizualizációkat alkalmaztak az értelmezhetőség javítására az előrejelzéseket befolyásoló kulcsfontosságú régiók kiemelésével. Eredmények: A GLAAM modell 97,08%-os kiegyensúlyozott pontosságot, 97,11%-os átlagos pontosságot és 97,12%-os F1-pontszámot ért el a retina-adatállományon. A Grad-CAM vizualizációk megerősítették a modellek azon képességét, hogy azonosítsák a szürkehályoggal kapcsolatos kulcsfontosságú régiókat a szemfenéki képeken. Következtetés: Ez a tanulmány jelentős előrelépést mutat a szürkehályog-diagnosztikában a mélytanulás alkalmazásával, a GLAAM és GLAAI modellek pedig erős diagnosztikai teljesítményt mutatnak. Ezek a modellek képesek fejleszteni a diagnosztikai eszközöket és javítani a betegellátást azáltal, hogy költséghatékony és pontos megoldást kínálnak a szürkehályog-észlelésre, amely alkalmas a klinikai környezetbe való integrálásra.

A képrejtjelezési technikák általában egy adott egyszerű képadatot zajra emlékeztető rejtjelezett képadattá alakítanak, amely a titkos képadatok jelenlétének jelzőjeként szolgál. Az ilyen zajszerű képek továbbítása azonban felkeltheti a figyelmet, ezáltal vonzhatja a támadókat, és számos lehetséges támadással szembesülhet. Ez a cikk egy megközelítést mutat be egy vizuálisan értelmes képtitkosítási (VMIE) séma létrehozására, amely három biztonsági védelmi réteget ötvöz: titkosítást, digitális aláírást és szteganográfiát. A jelenlegi séma a robusztusság, a biztonság és a működési hatékonyság kiegyensúlyozott teljesítményének elérésére szolgál. Először az eredeti képet részben titkosítják az RSA titkosítási rendszer és a módosított Hénon-térkép (MHM) használatával. A második szakaszban egy digitális aláírást generálnak a részben titkosított képhez egy hash függvény és az RSA titkosítási rendszer alkalmazásával. A kapott digitális aláírást hozzáfűzik a fenti, részben titkosított képben a cikkcakk-összekeverés megvalósítása után előállított, részben titkosított képhez. Továbbá a jobb összekeverés és terjesztés elérése érdekében a digitális aláírást tartalmazó, részben titkosított kép 3D Arnold cat map (ARno-szorzatok) alkalmazásán megy keresztül, hogy létrehozza a titkos titkosított képet (Sr5). A javasolt technika biztonságának és robusztusságának biztosítása érdekében a különféle klasszikus támadásokkal szemben az SHA-256 hashfüggvényből és a vivőképekből származó hash értéket használják fel a módosított Hénon-térkép Mh10 és Mh20 kezdeti feltételeinek, valamint a cikkcakk-zavar esetén a Zip = (zrow, zwcol) kezdeti pozíciónak a generálására. A javasolt algoritmusban a digitális aláírást mindkét célra felhasználják a feladó hitelességének ellenőrzésére és a titkosítás minőségének javítására. A vivőkép lifting wavelet transzformáción megy keresztül, és nagyfrekvenciás komponenseit a beágyazási folyamatban az MHM permutált mintázatán keresztül használják fel, ami vizuálisan értelmes titkosított képet eredményez. A javasolt séma hatékony vizuális titkosítást ér el minimális torzítással, és veszteségmentes képminőséget biztosít a dekódoláskor (végtelen PSNR), egyensúlyt teremtve a magas szintű biztonság és a jó számítási hatékonyság között.

Háttér és célkitűzés:

A májbetegségek jelentős globális egészségügyi problémát jelentenek, gyakran csendesen progrediálnak, amíg el nem érik a cirrhosis vagy a májelégtelenség előrehaladott stádiumát. Gyakran csak akkor fedezik fel őket, amikor már túl késő. A korai felismerés elengedhetetlen, de a jelenlegi módszerekkel nehéz.

Módszerek:

A LivXAI-Net szimulálja a hordható bioszenzorokból – beleértve az izzadság-, vérlemezke- és protrombin-érzékelőket – származó folyamatos adatgyűjtést, és feldolgozza ezeket az adatokat a Mayo Klinika primer biliaris cirrhosis (PBC) adatbázisán (n = 424, 1974–1984) képzett gépi tanulási (ML) modellek segítségével. A Random Forest (RF) és XGBoost (XGB) osztályozók SHAP és Permutation Feature Importance (PFI) segítségével kerültek bevezetésre az értelmezhetőség javítása érdekében. A Hepatic Health Tracker mobilalkalmazás valós idejű kockázati előrejelzéseket nyújt, amelyeket TLS 1.3 és AES-256 titkosítású biztonságos adatcsatorna támogat.

Eredmények:

Az RF és az XGB 20-szoros keresztellenőrzés mellett 84%, illetve 82% pontosságot ért el. A szimulált valós idejű környezetben, történelmi adatkészlet felhasználásával tervezték és értékelték. Az RF és az XGB 20-szoros keresztellenőrzés mellett 84%, illetve 82% pontosságot ért el.

Következtetés:

A LivXAI-Net az értelmezhető gépi tanulást (ML) valós idejű bioszenzor adatokkal kombinálja, hogy proaktív májbetegség-kezelést tegyen lehetővé. Jelenleg szimulált környezetben, korábbi adatok felhasználásával validálták, de a jövőbeli munkák során élő szenzoradatokkal és klinikai vizsgálatokkal fogják alkalmazni, hogy valós körülmények között is igazolják hasznosságát és általánosíthatóságát.

A legújabb technológiai fejlesztések elősegítették a robotok széles körű integrációját különböző szektorokban, többek között az egészségügyben, a védelemben és az iparban. Az Internet of Things (IoT) alapú robotikus eszközök, amelyek fejlett érzékelőkkel és képalkotó képességekkel vannak felszerelve, elengedhetetlenek különböző feladatokhoz, mint például a környezeti monitoring, az autonóm navigáció és a valós idejű megfigyelés. A valós idejű megfigyelés esetében a robotikus eszközök hozzájárulnak a hatékony, biztonságos és megbízható kommunikációhoz. A valós idejű környezetben történő kommunikáció azonban számos kihívással szembesül, például a biztonság és az erőforrások optimalizálása terén. A korlátozott számítási erőforrások miatt az IoT-alapú rendszereknek könnyűsúlyú biztonsági megoldásokra van szükségük a kommunikáció hatékonysága és a biztonságos adatkezelés érdekében. A kommunikáció hatékonyságának és a biztonságos adatkezelésnek a javítása érdekében ez a tanulmány bemutatja a robotikus rendszerek könnyűsúlyú felügyeleti keretrendszerét (LSFRS). Az LSFRS optimalizálja az adatátvitelt a strukturális hasonlósági index kihasználásával, hogy kiküszöbölje a redundanciát és javítsa az erőforrások kihasznál A biztonságos kommunikáció érdekében könnyű titkosítási módszereket alkalmaznak: Tiny Encryption Algorithm (TEA), eXtended TEA (XTEA), Caesar Cipher és Exclusive or (XOR). A javasolt keretrendszert titkosítási teljesítmény, számítási hatékonyság és valós idejű felügyeletre való alkalmasság szempontjából értékelik. Az összehasonlító elemzés azt mutatja, hogy a javasolt keretrendszer versenyképes a meglévő technikákkal szemben.

Az idegképalkotó (neuroimaging) adatok elengedhetetlenek az Alzheimer-kór (AD) időben történő és pontos diagnosztizálásához. A korai klinikai beavatkozást megnehezíti a képi adatok nagy dimenzionalitása, amely számítási szempontból összetetté teszi a reprezentációk kezelését. További kihívást jelent a korlátozott számú annotált adatállomány és a személyek közötti jelentős variabilitás. A mély konvolúciós neurális hálózatok, például a VGG, ResNet, DenseNet, MobileNet és más CNN-modellek jó diagnosztikai teljesítményt mutattak, azonban nagyszámú paraméterre épülnek, és alkalmazásuk gyakran magas szintű szakértelmet igényel. Emellett a rendelkezésre álló adatok mennyisége sok esetben korlátozhatja a modellek robusztusságát adatszegény klinikai környezetekben.

E kihívások kezelésére a jelen tanulmány egy hibrid kvantumgépi tanulási (Quantum Machine Learning, QML) architektúrát mutat be az Alzheimer-kór felismerésére és osztályozására. A módszer a klasszikus, CNN-alapú jellemzőkinyerést egy variációs kvantumosztályozóval (Variational Quantum Classifier) kombinálja. A javasolt megközelítésben a betegség szempontjából releváns, tömör jellemzők előre betanított CNN-hálózatok segítségével kerülnek kinyerésre. A strukturális MRI-felvételekből származó adatokat ezt követően kvantumállapotokká alakítják, majd paraméterezett variációs kvantumáramkörök segítségével dolgozzák fel, amelyeket egy hibrid kvantum–klasszikus tanítási folyamat optimalizál.

A javasolt módszert Alzheimer-betegek MRI-felvételeit tartalmazó standard referenciaadatbázisokon értékelték. A hibrid CNN–QML modell átlagos osztályozási pontossága körülbelül 93%, ami közel áll a mély CNN-modellek, például a ResNet és a DenseNet által elért 94%-os eredményhez. Ugyanakkor mintegy 6 százalékponttal felülmúlja a könnyebb modelleket, például a MobileNetet és a sekély CNN-hálózatokat.

Különösen figyelemre méltó, hogy a hibrid QML-modell korlátozott mennyiségű tanítóadat esetén is kedvező teljesítményt nyújt. Bár minden CNN-változat esetében megfigyelhető a pontosság és az AUC mutató romlása, a mély CNN-ek teljesítménycsökkenése elérheti az 5%-ot is. Az eredményeket keresztvalidációval, konfidenciaintervallumokkal, páros szignifikanciatesztekkel és egyéb statisztikai validációs eljárásokkal támasztották alá. A hatásméret-elemzés igazolta, hogy a hibrid modell teljesítménye statisztikailag szignifikáns, és számos esetben klinikailag is jelentős javulást eredményez a könnyűsúlyú CNN-alapvonalakhoz képest.

A módszer a legkorszerűbb mély neurális hálózatokkal összemérhető eredményeket ér el, miközben az osztályozási szakaszban jelentősen kevesebb tanítható paramétert igényel. Az eredmények arra utalnak, hogy a hibrid QML hatékony és adatgazdaságos alternatívát kínál az Alzheimer-kór diagnosztikájában. Összességében a tanulmány gyakorlati megközelítést mutat be a kvantumgépi tanulás klinikai neuroképalkotó rendszerekbe történő integrálására. A hibrid QML-megoldás ígéretes lehetőséget nyújt arra, hogy a hagyományos mélytanulási módszereket kiegészítve támogassa a következő generációs, Alzheimer-kórhoz kapcsolódó döntéstámogató rendszerek fejlesztését.

A ChatGPT-hez hasonló mesterséges intelligencia (AI) eszközöket egyre gyakrabban használják a felsőoktatásban, ám kevés empirikus bizonyíték áll rendelkezésre arra vonatkozóan, hogy a hallgatók hogyan építik be ezeket az eszközöket tanulmányi munkájukba. Ez a tanulmány azt vizsgálja, hogy a hallgatók észlelései és demográfiai jellemzői hogyan kapcsolódnak a ChatGPT tanulmányi célú használatához. A tanulmány az algoritmikus teljesítmény maximalizálása helyett az oktatási jelentőség megértésére összpontosít. E célból 166 egyetemi hallgatótól gyűjtöttek felmérési adatokat. Az adatok elemzése során azonosítottuk a ChatGPT használatához kapcsolódó legfontosabb tanulással kapcsolatos konstrukciókat. Egy feltáró jellegű gépi tanulási (ML) keretrendszert alkalmaztunk e konstrukciók közötti kapcsolatok vizsgálatára, miközben megőriztük az eredmények értelmezhetőségét.

Az elemzés arra utal, hogy a tanulás támogatása, az elérhetőség és az akadémiai elkötelezettség azok a fontos tényezők, amelyek összefüggésbe hozhatók a hallgatók ChatGPT-t akadémiai kontextusban való használatára irányuló szándékaival. Ezek az elemek arra utalnak, hogy a hallgatók gyakran tekintenek az AI-eszközökre olyan forrásokként, amelyek segítenek a fogalmak tisztázásában, a tanulmányi feladatok elvégzésében és a tanulás hatékonyságának növelésében. Ugyanakkor a megbízhatósággal, a pontossággal és az akadémiai integritással kapcsolatos aggályok befolyásolják, hogy a hallgatók hogyan értékelik az ilyen eszközök megfelelő használatát. Összességében az eredmények arra utalnak, hogy a ChatGPT felsőoktatásban való elterjedését elsősorban a pedagógiai és kontextuális feltételek határozzák meg, nem pedig kizárólag a technológiai teljesítmény.A tanulmány olyan feltáró jellegű megállapításokat tartalmaz, amelyek alapul szolgálhatnak az oktatási tervezéshez, a mesterséges intelligencia-ismeretek fejlesztésére irányuló kezdeményezésekhez, valamint a generatív mesterséges intelligencia (GAI) felelősségteljes bevezetéséhez a felsőoktatási környezetben.

A bőrbetegségek gyakran okoznak jelentős fizikai és mentális megterhelést, ezért világszerte kiemelt egészségügyi problémának számítanak. Mivel a korai felismerés alapvető fontosságú a sikeres kezeléshez, a pontos diagnózis felállítása a bőrgyógyászok számára is komoly kihívást jelent. A diagnosztikai pontosság jelentősen javítható olyan módszerek alkalmazásával, mint a gépi tanulás (Machine Learning, ML) és a mélytanulás (Deep Learning, DL). Ezek a modellek azonban nagy mennyiségű adatot igényelnek a megbízható előrejelzések készítéséhez. Az egészségügyi szolgáltatók gyakran adatkorlátokkal szembesülnek, miközben az adatvédelmi előírások korlátozzák az adatok megosztását.

A tanulmány egy adatvédelmet biztosító, federatív transzfertanulási megközelítést mutat be a bőrbetegségek diagnosztizálására, amely négy kulcsfontosságú stratégiát alkalmaz a hatékonyság növelése érdekében. A transzfertanulás segítségével egy sűrű neurális hálózaton (Dense Neural Network, DNN) alapuló modellt tanítanak be bőrbetegségek felismerésére. A jellemzők kinyerése előre betanított architektúrák segítségével történik, míg az osztályozási feladatot a DNN végzi.

Ezt követően a modell tanítása federatív tanulási (Federated Learning, FL) környezetben valósul meg, ahol az adatokat több, egymástól elkülönült csomóponton tárolják, és a DNN végzi a betegségek felismerését. A federatív tanulást transzfertanulással kombinálják annak érdekében, hogy egy olyan integrált rendszert hozzanak létre, amely biztosítja az adatok védelmét és bizalmas kezelését.

A modell teljesítményét független és azonos eloszlású (IID), illetve nem azonos eloszlású (non-IID) adatbázisokon egyaránt értékelték. A javasolt, jellemzőkinyerést és federatív tanulást kombináló modell keresztvalidációs pontossága az IID adatbázison 99,528%, míg a non-IID adatbázison 99,689% volt.

Az eredmények azt mutatják, hogy a jellemzőkinyerést federatív tanulással kombináló modell hatékony és könnyűsúlyú megoldásokat képes létrehozni, amelyek jól alkalmazhatók erőforrás-korlátozott eszközökön is. Emellett az együttes tanulás (ensemble learning) tovább javítja a peremeszközök (edge devices) teljesítményét. A bemutatott megközelítés így hatékony, adatvédelmet biztosító és korszerű megoldást kínál a bőrbetegségek diagnosztizálására a modern egészségügyi rendszerekben.

A mesterséges intelligenciával támogatott toborzási rendszerek olyan kihívásokkal küzdöttek, mint az elfogultság, az átláthatóság és a méltányosság a hallgatók elhelyezési folyamataiban. A hagyományos, manuális toborzási módszerek mindig lassúnak és szubjektívnek bizonyulnak, ami kétségeket ébreszt a véletlen diszkriminációval kapcsolatban. Ez a tanulmány egy adatközpontú toborzási keretrendszert javasol, amely ötvözi a természetes nyelvfeldolgozást (NLP), a gépi tanulást (ML) és a magyarázható mesterséges intelligenciát (XAI) az önéletrajzok szűrésének javítása, az elhelyezési eredmények előrejelzése és a méltányosság értékelése érdekében. A tanulmány a következő négy kulcsfontosságú kérdést vizsgálja: (1) milyen mértékben javítják az NLP-modellek az önéletrajzok szűrésének pontosságát; (2) mennyire hatékonyak a méltányosságra irányuló gépi tanulási módszerek a demográfiai elfogultság csökkentésében; (3) milyen mértékben járul hozzá az XAI az átláthatósághoz és az értelmezhetőséghez; valamint (4) milyen szerepet játszik az aspektusalapú érzelemelemzés (ABSA) a toborzók hallgatói visszajelzéseiből nyerhető, gyakorlatban alkalmazható betekintések kinyerésében.

A 3D-s adatoktól való függőség növekedése számos területen – az orvosi képalkotástól a virtuális valóságig – megbízható biztonsági megoldásokat tesz szükségessé az adatszivárgás és a jogosulatlan hozzáférés megakadályozása, valamint az érzékeny információk illetéktelen módosítás elleni védelme érdekében. Mivel a 3D-s modellek speciális formátumban tárolt lebegőpontos számokból állnak, védelmükhöz megbízható titkosítási módszerre van szükség az érzékeny adatok különböző alkalmazási területeken történő biztonságának garantálásához.

A tanulmány egy **szimmetrikus titkosítási módszert mutat be 3D-s modellek védelmére**, amely a kvantumlogisztikus térképet, az Arnold-féle macskatérképet, a továbbfejlesztett logisztikus térképet és a DNS-kódolást kombinálja.

A folyamat kezdetén az SHA-256 hashfüggvénnyel előállított hashértéket a nyílt szöveges adatokkal együtt használják fel szimmetrikus kulcsként, amely meghatározza a kaotikus rendszer kezdeti feltételeit. Ezt követően a továbbfejlesztett logisztikus térkép (Improved Logistic Map, ILM) segítségével összekeverik a nyílt szöveges adatok koordinátaértékeit.

A részlegesen titkosított adatokat ezután egész és törtrészekre bontják. Az egész értékeket tartalmazó mátrixot a kvantumlogisztikus térképen, az Arnold-féle macskatérképen, a DNS-diffúziós algoritmuson és a DNS-komplementaritási szabályon alapuló teljes eljárással keverik össze és alakítják át. Ez tovább növeli a titkosítási folyamat összetettségét. Ezzel párhuzamosan a törtrészeket a kvantumlogisztikus térkép segítségével módosítják.

Végül az átalakított egész és törtrészeket szisztematikusan egyesítik, így állítják elő a végleges titkosított adatokat.

A javasolt algoritmust különböző 3D-s modelleken végzett alapos teszteléssel értékelték. Az eredmények igazolták a bemutatott titkosítási eljárás hatékonyságát. A módszer közel 8-as entrópiaértéket, 100%-os NPCR-értéket és 33,37%-os UACI-értéket ért el. Emellett a szomszédos adatok közötti korreláció közel nulla volt, ami erős ellenállást jelez a differenciális támadásokkal szemben. A módszer megőrizte számítási hatékonyságát, és magas kulcsérzékenységet mutatott.

Továbbá a titkosítási idő a bemeneti 3D-s modell méretével lineárisan változik, ami alátámasztja a javasolt algoritmus nagy méretű, háromdimenziós adatkészleteken történő alkalmazásának lehetőségét.

Az optimalizálási keresőalgoritmusok kulcsszerepet játszanak az összetett, korlátozott mérnöki és többrétegű perceptron (MLP) osztályozási problémák megoldásában, amelyek gyakran hatékony és robusztus keresési stratégiákat igényelnek. Ez a tanulmány bemutatja a Kaotikus Zebra Optimalizációs Algoritmust (CZOA), amely a klasszikus Zebra Optimalizációs Algoritmus (ZOA) továbbfejlesztett változata, és kaotikus leképezéseket alkalmaz a keresési hatékonyság és a konvergencia sebességének növelése érdekében. A CZOA változatait (CZOA1, CZOA2, CZOA3 és CZOA4) 23 standard benchmark függvényen értékelték különböző dimenziókban (10D, 30D, 50D és 100D), a CEC 2022 benchmark tesztkészleten, valamint három korlátozott mérnöki optimális tervezési problémán (háromrúdos rácsszerkezet, nyomástartó edény és többtárcsás tengelykapcsoló optimalizáció). Továbbá a CZOA hatékonyságát négy MLP osztályozási adathalmazon (Balloon, Iris, Breast Cancer és XOR adathalmaz) is vizsgálták. A szimulációs eredmények azt mutatják, hogy a CZOA1 következetesen felülmúlja a többi változatot és a klasszikus ZOA-t, a legalacsonyabb fitness értékeket, kisebb szórásokat és gyorsabb konvergenciát elérve. Különösen az F1 függvény (10D) esetében a CZOA1 a számítási időt 4559,9 másodpercről (ZOA) mindössze 0,1563 másodpercre csökkentette, jelentős gyorsulást elérve. A CEC 2022 tesztfüggvény-készleten a CZOA1 nyújtotta a legjobb teljesítményt 333,86 átlagos fitness értékkel és 0,69 szórással, felülmúlva a korszerű metaheurisztikus algoritmusokat, mint a GWO, a WOA és a TLBO. A mérnöki optimális tervezési eredmények szintén megerősítették a CZOA1 kiváló fitness értékeit: 263,8965-öt a háromrúdos rácsszerkezet problémában és 6849,485-öt a nyomástartó edény optimalizálásában, túlszárnyalva a klasszikus módszereket, például a GWO-t, a DE-t és a PSO-t. Az MLP osztályozási feladatoknál a CZOA1 99,00%-os osztályozási arányt ért el az emlőrák felismerésében, ami kiemeli kiváló képességét a nagy dimenziójú keresési terek kezelésében. Az összehasonlító értékelések azt mutatják, hogy a kaotikus leképezések jelentősen javítják a feltárás és kihasználás közötti egyensúlyt, csökkentik a számítási keresés komplexitását és növelik a megoldások pontosságát. Az eredmények alapján a CZOA ígéretes optimalizációs technikának bizonyul valós mérnöki és osztályozási kihívások kezelésére.