2305 artículos
Este artículo presenta HoneyMed, un marco de trabajo de honeypot consciente de los protocolos para redes IoMT que simula servicios médicos para capturar y clasificar ataques en tiempo real mediante aprendizaje automático, logrando una precisión del 98.50% con Random Forest mientras genera evidencia lista para blockchain sin poner en riesgo los activos de producción.
Este artículo propone un marco de trabajo interpretable y sin necesidad de entrenamiento que aprovecha el prompting guiado por criterios y el aprendizaje en contexto con LLMs para detectar la enfermedad de Alzheimer a partir de discursos transcritos manualmente, logrando un rendimiento de vanguardia en el benchmark ADReSS 2020 al tiempo que destaca una dependencia crítica de transcripciones manuales de alta calidad.
Este artículo propone un marco de aprendizaje consciente de la medición basado en múltiples expertos que aprovecha múltiples anotaciones de expertos y una función de pérdida especializada para mejorar simultáneamente la precisión de la segmentación del complejo íntima-media carotídeo y la precisión de la cuantificación del espesor a escala milimétrica en imágenes de ultrasonido, mitigando eficazmente el impacto de la variabilidad entre evaluadores.
Este artículo presenta XGNN-ID, un marco de Redes Neuronales de Grafos explicable que integra un novedoso Ensamble Ponderado por Validación Selectiva con Puerta de Importancia de Nodo (SVW-NG) para abordar eficazmente el desequilibrio de clases y mejorar la interpretabilidad del modelo en varios conjuntos de datos de grafos.
Este estudio propone un marco unificado basado en el procesamiento de lenguaje natural para la gestión de recursos humanos que integra el reclutamiento, el análisis de sentimiento y las herramientas de comunicación para mejorar la eficiencia y la toma de decisiones, al tiempo que reconoce desafíos significativos relacionados con la privacidad de los datos, el sesgo algorítmico y la escalabilidad del sistema.
Este artículo propone un novedoso marco de aprendizaje profundo multimodal que integra datos de EEG, fisiológicos de dispositivos portátiles y conductuales a través de un sistema de atención transmodal y personalización adaptativa para lograr una predicción de crisis epilépticas temprana y altamente precisa con una reducción de las falsas alarmas.
Este artículo propone un marco híbrido MCN-MVT que combina Redes de Cápsulas y Vision Transformers para lograr una detección temprana de la enfermedad de Alzheimer de alta precisión e interpretable, validada por métricas de rendimiento superiores y explicaciones basadas en LIME sobre datos de RM.
El artículo presenta STDN-GEN, un sistema automatizado que aprovecha agentes de modelos de lenguaje de gran tamaño y un vocabulario curado para sintetizar rápidamente redes de suministro de materiales críticos de cuatro niveles que sean auditables, mejorando significativamente la reproducibilidad y la eficiencia en comparación con el mapeo manual, al tiempo que logra una alta precisión en la identificación de componentes y dependencias de producción.
XTrust-Chain es un marco de detección de intrusiones de múltiples capas que combina clasificadores de ensamble con una métrica de confianza calibrada y una pista de auditoría asegurada criptográficamente para permitir la toma de decisiones automatizada de alta confianza, garantizando al mismo tiempo la verificación inmutable de las alertas a través de múltiples conjuntos de datos de referencia.
Este artículo presenta la Optimización Guiada por Cierre (CGO, por sus siglas en inglés), un marco de gestión de restricciones que utiliza la Complejidad de Cierre de Factibilidad (FCC) para minimizar los costos de reparación estructural, demostrando su eficacia en escenarios donde las clasificaciones de violación divergen de la dificultad de reparación real, al tiempo que reconoce que no es una ventaja universal sobre los métodos existentes.