Journal·See |. Erfassen Sie die neuesten Entwicklungen im Bereich der künstlichen Intelligenz? Speichern Sie Angewandte Künstliche Intelligenz in Ihren Favoriten

Die Entstehung von ChatGPT ist eine bahnbrechende Entwicklung von großer historischer Bedeutung in der KI-Forschung. Das scheinbar allmächtige ChatGPT hatte viele positive Auswirkungen auf die menschliche Gesellschaft, hat aber auch zu nachdenklich stimmenden Konflikten geführt. Wie die Risiken und negativen Auswirkungen vermieden werden können, die durch den Aufstieg der künstlichen Intelligenz entstehen, ist ein Thema, über das politische Entscheidungsträger und Fachleute auf dem Gebiet der künstlichen Intelligenz eingehend nachdenken und diskutieren müssen.

Diese Ausgabe von „Journal·Jian“ präsentiert Ihnen Applied Artificial Intelligence, eine hochwertige Zeitschrift auf dem Gebiet der künstlichen Intelligenz. Neben der Vorstellung von Zeitschriften haben wir auch Artikel mit hoher Zitierung in den letzten drei Jahren und hohem Leseaufkommen im Jahr 2022 für Sie zum Lesen ausgewählt

• Ein auf Transferlernen basierendes Framework zur Klassifizierung von Schädlingen an Tomatenpflanzen
• Universal Learning Equilibrium Optimizer: Eine neue Methode zur Merkmalsauswahl für die Klassifizierung biologischer Daten
• Rezension: Eine Übersicht über Deep-Learning-basierte semantische 2D-Bildsegmentierungsarchitekturen
• Rezension: Die neue Bedrohung durch durch künstliche Intelligenz gesteuerte Cyberangriffe

Angewandte Künstliche Intelligenz ist die offizielle Publikation der Österreichischen Gesellschaft für Kybernetische Forschung mit dem Ziel, Probleme in der angewandten Forschung und Anwendungen künstlicher Intelligenz zu lösen und gleichzeitig eine Plattform für den Meinungs- und Ideenaustausch für einflussreiche Forschung auf dem Gebiet der künstlichen Intelligenz zu bieten. Die Zeitschrift konzentriert sich auf die folgenden Bereiche, einschließlich, aber nicht beschränkt auf den Fortschritt von Systemen der künstlichen Intelligenz bei der Lösung von Management-, Industrie-, Ingenieur-, Verwaltungs- und Bildungsaufgaben, wobei der Schwerpunkt auf vergleichender Forschung und Benutzererfahrung liegt; die Auswirkungen künstlicher Intelligenz auf wirtschaftliche, soziale und kulturelle Einflüsse.

Dieses Journal wurde in SCIE, Scopus, CSA, INSPECs, PsycINFO und andere Datenbanken aufgenommen.

Journal-Homepage: http://985.so/m1ug4

Impact Factor

Laut JCR beträgt der Impact Factor der Angewandten Künstlichen Intelligenz im Jahr 2021 2,777, in

Computer: Rang 82/145 im Bereich Künstliche Intelligenz

Ingenieurwesen: Rang 134/276 im Bereich Elektronik und Elektrotechnik

CiteScore

Laut Scopus, Angewandte Künstliche Intelligenz

CiteScore (2021) beträgt 3,0

CiteScoreTracker (2022) ist 3,7

Rang 151/269 in Informatik: Künstliche Intelligenz

Redaktionsteam

Chefredakteur von Applied Artificial Intelligence ist Professor Robert Trappl vom Österreichischen Institut für Künstliche Intelligenz und der Universität Wien. Zum stellvertretenden Herausgeberteam gehört Professor Liu Peide von der Shandong University of Finance and Economics aus China. Darüber hinaus besteht das Redaktionsteam aus Experten und Wissenschaftlern aus vielen Ländern.

Chefredakteur

Professor Robert Trappl

Professor Robert Trappl ist der Leiter des Österreichischen Instituts für Künstliche Intelligenz. Er ist außerdem Honorarprofessor für Medizinische Kybernetik und Künstliche Intelligenz am Zentrum für Hirnforschung der Medizinischen Universität Wien Abteilung für Medizinische Kybernetik und Künstliche Intelligenz an der Universität Wien. Bis zu 30 Jahre.

Stellvertretender Redakteur aus China

Professor Liu Peide

Professor Liu Peide ist Dekan der School of Management Science and Engineering der Shandong University of Finance and Economics, Direktor des Marine Economics and Management Research Center der Shandong University of Finance and Economics und ein herausragender Lehrer in China.

Seine Hauptforschungsrichtungen sind: Entscheidungstheorie und Optimierungsmethoden; Meeresökonomie und -management;

In-Journal-News

Derzeit sucht Angewandte Künstliche Intelligenz nach Beiträgen zu den folgenden Themen.

Thema 1: Multiagentensysteme im Zeitalter vertrauenswürdiger künstlicher Intelligenz

Zuverlässiges Multiagentensystem im Zeitalter der künstlichen Intelligenz

Einreichungsschluss: 23. August 2023

Thema 2: Künstliche Intelligenzanwendungen in der Industrie 4.0

Künstliche Intelligenz in der Industrie 4.0

Einreichfrist: 31. August 2023

Thema 3: Erklärbare betriebliche angewandte Forschung und Anwendungen für maschinelles Lernen für eine verbesserte Entscheidungsfindung

Erklärbare Anwendungsforschung für maschinelles Lernen und Anwendungen zur Verbesserung der Entscheidungsfindung

Einreichungsschluss: 30. Oktober 2023

Autorenverteilung

Laut JCR sind unter den Ländern, die in den letzten drei Jahren Artikel über angewandte künstliche Intelligenz veröffentlicht haben, die drei führenden Länder:

• Indien
• China
• Iran

Artikelempfehlungen finden Sie unter [TandF Academic]: http://985.so/m1ug6

刊内高被引文章

Vollständiger Artikel: Transfer Learning-Based Framework for Classification of Pest in Tomato Plants (tandfonline.com)

基于迁移学习的框架，为番茄植株上的害虫分类

作者:Gayatri Pattnaik et al.

Das Konzept des Transferlernens

文章摘要:

Schädlinge in der Pflanze stellen in der Landwirtschaft eine große Herausforderung dar. Daher könnte eine frühzeitige und genaue Erkennung und Klassifizierung von Schädlingen bei vorbeugenden Maßnahmen hilfreich sein und gleichzeitig wirtschaftliche Verluste erheblich reduzieren. Jüngste Entwicklungen im Bereich Deep Convolutional Neural Network (CNN) haben die Genauigkeit von Bilderkennungssystemen drastisch verbessert. In diesem Artikel haben wir ein Transferlernen eines vorab trainierten, tiefen CNN-basierten Rahmenwerks zur Klassifizierung von Schädlingen in Tomatenpflanzen vorgestellt. Der Datensatz für diese Studie wurde aus Online-Quellen zusammengestellt und besteht aus 859 Bildern, die in 10 Klassen kategorisiert sind. Diese Studie ist die erste ihrer Art, bei der: (i) ein Datensatz mit 10 Klassen von Tomatenschädlingen beteiligt ist; (ii) Es wurde ein umfassender Vergleich der Leistung von 15 vorab trainierten Deep-CNN-Modellen zur Klassifizierung von Tomatenschädlingen vorgestellt. Die experimentellen Ergebnisse zeigen, dass mit dem DenseNet169-Modell die höchste Klassifizierungsgenauigkeit von 88,83 % erreicht wurde. Darüber hinaus belegen die ermutigenden Ergebnisse der auf Transferlernen basierenden Modelle deren Wirksamkeit bei Schädlingserkennungs- und -klassifizierungsaufgaben.

Vollständiger Artikel: General Learning Equilibrium Optimizer: Eine neue Methode zur Merkmalsauswahl für die Klassifizierung biologischer Daten (tandfonline.com)

通用学习均衡优化器:一种新的用于生物数据分类的特征选择方法

作者:Jingwei Too & Seyedali Mirjalili

Grundkonzept der allgemeinen Lernstrategie

文章摘要:

Das Finden relevanter Informationen aus biologischen Daten ist ein entscheidender Punkt für das Studium der Krankheitsdiagnose, insbesondere wenn eine enorme Anzahl biologischer Merkmale beteiligt ist. Die Merkmalsauswahl kann bewusst ein zwingender Vorverarbeitungsschritt vor der Klassifizierungsphase sein. Der Equilibrium Optimizer (EO) ist ein kürzlich etablierter metaheuristischer Algorithmus, der bei der Messung der Gleichgewichtszustände vom Prinzip dynamischer Quellen- und Senkenmodelle inspiriert ist. In dieser Forschung wird eine neue Variante von EO namens General Learning Equilibrium Optimizer (GLEO) als Methode zur Auswahl von Wrapper-Features vorgeschlagen. Dieser Ansatz basiert auf einer allgemeinen Lernstrategie, um den Partikeln zu helfen, die lokalen Gebiete zu umgehen und die Fähigkeit zu verbessern, vielversprechende Regionen zu finden. Das vorgeschlagene GLEO zielt darauf ab, eine Teilmenge informativer biologischer Merkmale unter einer großen Anzahl von Attributen zu identifizieren. Die Leistung des GLEO-Algorithmus wird anhand von 16 biologischen Datensätzen validiert, von denen neun eine hohe Dimensionalität mit einer geringeren Anzahl von Instanzen darstellen. Die erhaltenen Ergebnisse zeigen die hervorragende Leistung von GLEO in Bezug auf Fitnesswert, Genauigkeit und Merkmalsgröße im Vergleich zu anderen metaheuristischen Algorithmen.

刊内2022年高阅读量文章

Vollständiger Artikel: Eine Umfrage zu Deep-Learning-basierten Architekturen für die semantische Segmentierung auf 2D-Bildern (tandfonline.com)

综述:基于深度学习的2D图像语义分割体系架构的调查

作者:Irem Ulku & Erdem Akagündüz

Ein Beispielbild und seine Anmerkung für Objekt-, Instanz- und Teilesegmentierungen separat, von links nach rechts

文章摘要:

Semantische Segmentierung ist die pixelweise Beschriftung eines Bildes. Unterstützt durch die außergewöhnliche Fähigkeit von Convolutional Neural Networks (CNN), semantische, übergeordnete und hierarchische Bildmerkmale zu erstellen; Im letzten Jahrzehnt wurden mehrere Deep-Learning-basierte semantische 2D-Segmentierungsansätze vorgeschlagen. In dieser Umfrage konzentrieren wir uns hauptsächlich auf die jüngsten wissenschaftlichen Entwicklungen in der semantischen Segmentierung, insbesondere auf Deep-Learning-basierte Methoden unter Verwendung von 2D-Bildern. Wir begannen mit einer Analyse der öffentlichen Bildsätze und Bestenlisten für die semantische 2D-Segmentierung und gaben einen Überblick über die bei der Leistungsbewertung verwendeten Techniken. Bei der Untersuchung der Entwicklung des Fachgebiets haben wir die Ansätze chronologisch in drei Hauptperioden eingeteilt, nämlich die Ära vor und früh des Deep Learning, die Ära der vollständigen Faltung und die Ära nach dem FCN. Wir haben die vorgeschlagenen Lösungen im Hinblick auf die Lösung der grundlegenden Probleme des Fachgebiets, wie z. B. feinkörnige Lokalisierung und Skaleninvarianz, technisch analysiert. Bevor wir unsere Schlussfolgerungen ziehen, präsentieren wir eine Tabelle mit Methoden aus allen genannten Epochen, mit einer Zusammenfassung jedes Ansatzes, die ihren Beitrag zu diesem Fachgebiet erläutert. Wir schließen die Umfrage ab, indem wir die aktuellen Herausforderungen des Fachgebiets besprechen und inwieweit diese gelöst wurden.

Vollständiger Artikel: Die aufkommende Bedrohung durch KI-gesteuerte Cyberangriffe: Ein Rückblick (tandfonline.com)

综述:人工智能驱动的网络攻击的新威胁

作者:Blessing Guembe et al.

PRISMA-Flussdiagramm, das den systematischen Überprüfungsprozess und die Artikelauswahl in verschiedenen Phasen veranschaulicht

文章摘要:

Cyberangriffe werden immer raffinierter und allgegenwärtiger. Cyberkriminelle nutzen zwangsläufig Techniken der künstlichen Intelligenz (KI), um den Cyberspace zu umgehen und unbemerkt größeren Schaden anzurichten. Forscher im Bereich Cybersicherheit haben das Konzept hinter KI-gestützten Cyberangriffen nicht ausreichend erforscht, um den Grad der Komplexität dieser Art von Angriffen zu verstehen. Ziel dieses Papiers ist es, die aufkommende Bedrohung durch KI-gestützte Cyberangriffe zu untersuchen und Einblicke in den böswilligen Einsatz von KI bei Cyberangriffen zu geben. Die Studie wurde in einem dreistufigen Prozess durchgeführt, bei dem nur Artikel basierend auf Qualitäts-, Ausschluss- und Einschlusskriterien ausgewählt wurden, die sich auf KI-gesteuerte Cyberangriffe konzentrieren. Es wurden Suchvorgänge in ACM, arXiv Blackhat, Scopus, Springer, MDPI, IEEE Xplore und anderen Quellen durchgeführt, um relevante Artikel abzurufen. Von den 936 Artikeln, die unsere Suchkriterien erfüllten, wurden schließlich insgesamt 46 Artikel für diese Studie ausgewählt. Das Ergebnis zeigt, dass 56 % der identifizierten KI-gesteuerten Cyberangriffstechniken in der Zugriffs- und Durchdringungsphase nachgewiesen wurden, 12 % in der Ausnutzungs- bzw. Befehls- und Kontrollphase; 11 % wurden in der Aufklärungsphase nachgewiesen; 9 % wurden in der Bereitstellungsphase der Cybersecurity-Kill-Chain nachgewiesen. Die Ergebnisse dieser Studie zeigen, dass die bestehenden Cyber-Verteidigungsinfrastrukturen nicht mehr ausreichen werden, um der zunehmenden Geschwindigkeit und komplexen Entscheidungslogik von KI-gesteuerten Angriffen gerecht zu werden. Daher müssen Unternehmen in KI-Cybersicherheitsinfrastrukturen investieren, um diese neuen Bedrohungen zu bekämpfen.

审稿周期

• 从提交稿件到获取初审意见，平均需要61天
• 获取首个同行评审决定，平均需要62天
• 稿件一旦接受后, 在线出版平均需要15天

文章出版费（APC）

您可以通过我们的作者服务网站查询本期刊的标准文章出版费.

Taylor & Francis Group ist einer der führenden Anbieter von APC

为帮助更多科研人员选择更加合适的期刊, Taylor & Francis推出专栏——刊·见，该专栏致力于为读者广大科研人员带来Taylor & Francis, 从期刊的基本情况、编委阵容、社会影响力到审稿速度、高被引文章等实用信息, 专栏将为您带来最详细的介绍，让您更加全面地了解Taylor & Francis旗下优秀的国际期刊, 帮助更多中国卓越科研成果顺利在国际期刊上发表.

以上内容可能更新，请以期刊官网主页为准。

Das obige ist der detaillierte Inhalt vonJournal·See |. Erfassen Sie die neuesten Entwicklungen im Bereich der künstlichen Intelligenz? Speichern Sie Angewandte Künstliche Intelligenz in Ihren Favoriten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!