4030 articles
L'étude H-XAI-Cervix démontre qu'un modèle EfficientNet-B3 hiérarchique conditionnel surpasse de manière significative les classificateurs plats pour distinguer les classes de cellules cervicales sur l'ensemble de données Herlev, bien que cet avantage n'ait pas été observé sur l'ensemble de données SIPaKMeD où les performances ont approché un niveau de plafond quasi absolu.
Cet article présente une étude de référence exhaustive sur l'ensemble de données NIH ChestX-Ray14, démontrant qu'un cadre Swin Transformer V2-B, amélioré par des stratégies spécifiques pour le déséquilibre des classes et l'optimisation des seuils, surpasse les modèles d'apprentissage profond de pointe existants dans la classification multi-étiquettes des maladies thoraciques.
Cet article évalue quatre architectures d'apprentissage par renforcement multi-agents par rapport aux règles d'ordonnancement traditionnelles dans un environnement OSAT stochastique, démontrant que si les politiques apprises améliorent considérablement le débit, le temps de cycle, l'efficacité énergétique et le TRS par rapport au FIFO, elles ne surpassent pas uniformément la règle SPT, établissant ainsi un cadre reproductible pour évaluer la performance de l'ordonnancement à horizon court.
Cet article introduit l'LLM-Serving Scheduler Portability Benchmark (LSSP) pour démontrer que, bien que les classements des politiques d'ordonnancement présentent un fort accord sur certaines sources de charge de travail, ils présentent une variabilité significative et une portabilité limitée à travers différentes régions opérationnelles et métriques d'évaluation, nécessitant que les comparaisons d'ordonnanceurs soient interprétées comme étant conditionnelles à leur contexte expérimental spécifique.
Cette étude évalue BitkiKormacı, un système de petit modèle de langage turc pour la protection des plantes, démontrant que bien que la génération augmentée par récupération améliore considérablement les performances sur des bancs d'essai de développement spécifiques, le système présente toujours des défaillances critiques dans les tâches de sécurité et de résistance, soulignant la nécessité d'un examen rigoureux par des experts indépendants avant tout déploiement pratique.
Ce document introduit l'Agentic Enterprise Architecture Framework (AEAF), une extension formelle des métamodèles d'architecture d'entreprise traditionnels qui incorpore une couche d'agentivité dédiée dotée d'une sémantique Datalog stratifiée pour modéliser, analyser et gouverner systématiquement les agents IA non humains en définissant leur autorité, leur responsabilité et leurs contraintes de coordination au sein de la structure de l'entreprise.
Cet article propose GAT-MAPPO-EIG, un cadre d'optimisation de politique de proximité multi-agents à attention de graphe qui exploite l'apprentissage par renforcement profond pour résoudre efficacement les jeux d'interdiction d'évasion à grande échelle et dynamiques en apprenant des stratégies d'interception coordonnées sans dépendre de méthodes d'optimisation traditionnelles coûteuses en termes de calcul.
Ce document présente Qaamuuska-NLP, un lexique somali structuré de 46 314 entrées lisibles par machine, extrait via un pipeline déterministe fondé sur des règles à partir du dictionnaire monolingue de 2012 *Qaamuuska Af-Soomaaliga*, lequel préserve les informations grammaticales et lexicales détaillées tout en conservant le texte original des entrées pour vérification.
Cet article introduit Mirage Mesh, un cadre de déception cybernétique multicouche et léger pour les environnements Linux qui intègre des leurres aux niveaux réseau, système, logiciel et données avec un schéma d'événements unifié et un pipeline automatisé pour détecter et analyser l'activité malveillante ressemblant à une administration légitime, tout en proposant une nouvelle métrique pour évaluer son efficacité à travers la chaîne de cyberattaque.
Cette revue systématique de dix études présentant un risque élevé de biais révèle que les grands modèles multimodaux en médecine clinique sont vulnérables à la corruption basée sur l'entrée à travers quatre classes de défaillance distinctes, une menace qui persiste indépendamment des caractéristiques du modèle ou des défenses testées et qui ne nécessite pas d'attaquant adverse pour compromettre l'intégrité de la sortie.