1062 articles
L'article présente le Cascade Progressive Distilled Network (CPDN), un nouveau cadre d'apprentissage profond qui exploite la distillation de connaissances à partir d'un enseignant CatBoost pour surmonter les problèmes de stagnation de l'optimisation et de non-différentiabilité, atteignant des performances de classification de pointe sur des données tabulaires hétérogènes.
Cet article démontre qu'une approche d'entraînement centralisé avec exécution décentralisée (CTDE) utilisant QMIX surpasse significativement l'apprentissage Q indépendant (IQL) et les bases non-RL dans la coordination de la recharge des véhicules électriques au sein des villes intelligentes, en atteignant des taux d'acceptation et des probabilités de succès plus élevés tout en gérant efficacement l'observabilité partielle et la dynamique du trafic.
Cette revue systématique de 445 études récentes (2024–2026) identifie les hybrides CNN-Mamba comme l'architecture la plus efficace pour l'imagerie médicale en raison de leur complexité computationnelle linéaire, tout en soulignant des défis critiques tels que la perte d'informations spatiales et la consommation de mémoire qui doivent être adressés par des blocs 3D natifs pour permettre l'intégration clinique.
Cet article propose et évalue un cadre de détection d'intrusion hybride qui combine l'apprentissage supervisé (Random Forest et XGBoost) avec un modèle de détection d'anomalies basé sur un autoencodeur LSTM sur des ensembles de données alignés de l'IoT et du cloud, démontrant que si cette approche améliore considérablement la robustesse de la détection et le rappel pour les attaques inconnues, elle nécessite un compromis avec une augmentation des faux positifs et une précision réduite.
Ce document propose YOLOv10n-FBD, un modèle léger de détection de la maturité des tomates cerises qui intègre la fusion de caractéristiques CCFM, l'attention PSA-BiFormer et une stratégie C2f-Dual pour atteindre une haute précision (94,3 % mAP) et une vitesse élevée (369 FPS) tout en réduisant considérablement la taille du modèle et la complexité computationnelle par rapport aux méthodes existantes.
Cette étude propose un système de reconnaissance vocale basé sur le LSTM pour la langue assamaise à faibles ressources, utilisant un ensemble de données auto-préparé et des caractéristiques acoustiques hybrides pour atteindre une précision de 95 % tout en soulignant les défis posés par les similitudes phonétiques entre les voyelles.
Cet article propose un algorithme basé sur un contexte visuel conscient et un champ récepteur spatial qui intègre la modélisation d'état résiduel, des vecteurs de guidage et une attention déformable multi-échelle pour restaurer efficacement les murales de Dunhuang en traitant l'oubli local des pixels et l'insuffisance de la perception spatiale, améliorant ainsi considérablement les mesures de qualité de restauration.
Cet article propose un cadre de réseau neuronal croisé profond (DCNN) qui atteint une précision de 98,4 % dans la détection de chevaux de Troie matériels furtifs dans les circuits VLSI basés sur FPGA en extrayant et en corrélant des caractéristiques structurelles et fonctionnelles, offrant ainsi une solution fiable qui réduit la dépendance vis-à-vis des modèles de référence dorés.
Cette revue systématique de 104 études révèle que la recherche sur l'accessibilité numérique est dominée par les outils automatisés et concentrée dans les secteurs de l'éducation et du gouvernement, créant un « écart entre évaluation et action » où la commodité méthodologique et le biais sectoriel ont évincé les approches centrées sur l'utilisateur et échoué à résoudre les barrières d'accessibilité persistantes au cours de la dernière décennie.
L'article présente OntoLearner, un cadre modulaire open-source qui unifie l'accès aux ontologies, les pipelines d'apprentissage pilotés par les LLM et l'évaluation normalisée à travers 22 domaines, révélant que le principal goulot d'étranglement dans l'apprentissage des ontologies est un décalage structurel entre l'encodage des connaissances du modèle et l'organisation ontologique plutôt que la capacité du modèle lui-même.