3615 articles
RAVEN est un cadre post-hoc qui améliore la validation de la fiabilité sous des décalages de distribution de données en démontrant que l'instabilité des représentations multi-niveaux fournit des signaux prédictifs complémentaires pour la détection de défaillances au-delà des scores de confiance conventionnels.
Cet article présente le développement et la validation de StoneClear, un système de vision par ordinateur piloté par l'IA qui atteint une grande précision dans la détection et la segmentation au niveau du pixel des fragments de calcul résiduels lors de l'urétéroscopie assistée par CVAC 2.0, établissant ainsi une base robuste pour l'évaluation peropératoire en temps réel de l'élimination des calculs.
Cet article présente un modèle de planification en deux étapes sous MiniZinc qui révèle la réduction massive de l'espace de recherche grâce aux contraintes structurelles, démontre que le temps de résolution croît de manière sous-exponentielle avec la taille des instances, et audite des emplois du temps universitaires réels pour montrer que les doubles réservations de salles découlent principalement d'une allocation inefficace plutôt que de la rareté, fournissant ainsi un cadre fondé sur les données pour identifier quelles contraintes strictes devraient être assouplies.
Cet article présente une implémentation CuPy installable via pip en un seul fichier qui permet le débruitage 3D par Moyenne Non Locale accéléré par GPU sans nécessiter de toolkit CUDA ou de compilateur C++, atteignant une accélération de plus de 100× par rapport à la référence scikit-image basée sur le CPU tout en préservant l'exactitude des résultats et l'utilisabilité interactive.
Cet article propose un réseau de détection d'objets visible-infrarouge à double flux qui intègre une modélisation de caractéristiques basée sur les ondelettes, un module OffsetNet pour l'alignement spatial et un module SwinFusion pour la fusion de caractéristiques transmodales afin de remédier efficacement au désalignement spatial et aux disparités de modalités, améliorant ainsi la précision de la détection.
Cet article étudie quand la compaction de contexte profite aux agents à long horizon, concluant que bien qu'elle puisse réduire les coûts en évitant des lectures de cache coûteuses, elle augmente souvent les dépenses totales et la latence en raison de la surcharge liée à la génération de résumés et au déclenchement de requêtes supplémentaires, ce qui la rend avantageuse uniquement lorsqu'un travail futur suffisant subsiste pour compenser ces coûts et lorsque les prix des lectures de cache sont exceptionnellement élevés.
Cet article propose une architecture de traduction hiérarchique côté client pour les visionneuses de Résumés de Patient Internationaux (RPI) qui préserve l'intégrité sémantique en exploitant les données structurées de FHIR afin de prioriser des sources de traduction de haute qualité — allant de l'internationalisation statique et des serveurs de terminologie à la traduction automatique — tout en gérant de manière transparente les replis et les défis liés à la protection des données dans les écosystèmes de santé électronique transfrontaliers.
Cet article propose CTLGNN, un nouveau cadre qui traite la dérive des intérêts des utilisateurs dans la recommandation de nouvelles en modélisant les interactions comme des nœuds d'arêtes au sein d'un graphe linéaire temporel continu et en utilisant un réseau d'auto-attention dynamique pour capturer à la fois les préférences à long terme et les changements comportementaux à court terme, surpassant ainsi les modèles de référence existants.
Cet article introduit la Planification de Tâches Génétique Sensible aux Contraintes (CGTP), un algorithme évolutionnaire qui garantit des séquences de tâches respectant les précédences et permet une replanification partielle robuste et sensible à l'état pour l'assemblage robotique modulaire sous l'effet de perturbations d'exécution, échangeant un coût de performance statique mineur contre une fiabilité et une récupérabilité structurelle supérieures.
Cet article présente un prototype d'assistant local respectueux de la vie privée qui intègre un petit modèle de langage local avec des garde-fous d'entrée et de sortie pour bloquer les requêtes malveillantes et masquer les données sensibles, démontrant la faisabilité d'un pipeline léger tout en soulignant les lacunes actuelles en matière de détection et la nécessité d'une évaluation plus rigoureuse.