4030 articles
Cet article propose une nouvelle attaque de type « Meet-in-the-Middle » économisant la mémoire sur Ascon-Hash à nombre de tours réduit, qui exploite la modélisation SAT, l'élimination de Gauss et la triangulation pour réduire considérablement la complexité en mémoire tout en maintenant les meilleures complexités temporelles connues.
Ce document propose FedEDAuth, un cadre d'apprentissage fédéré léger qui utilise l'analyse de la distribution des plongements pour détecter et filtrer les clients malveillants, atteignant ainsi une détection de 100 % des attaques furtives par empoisonnement de données byzantines et maintenant une précision élevée dans la détection collaborative de circuits intégrés contrefaits.
Ce document propose un cadre généralisé d'espace de transition de LoD qui utilise des volumes 3D basés sur l'ossature droite pour permettre des transformations multi-échelles continues et topologiquement cohérentes entre divers primitives géométriques (polygones, polylignes et points), permettant ainsi une généralisation de carte fluide à travers des niveaux de détail arbitraires.
Cet article présente Learn From the Best Evolution Strategy (LFB-ES), un nouvel optimiseur boîte noire qui améliore l'entraînement de réseaux de neurones de haute dimension en guidant de manière itérative la population pour qu'elle apprenne des individus d'élite, atteignant ainsi une convergence et une précision supérieures par rapport aux méthodes classiques telles que OpenAI-ES et CMA-ES.
Ce document propose l'ESG (Ephemeral Subgraph Generation), une approche en temps réel guidée par les LLM qui construit des graphes de connaissances temporaires et spécifiques à une question à travers des systèmes d'ingénierie hétérogènes afin de surpasser les méthodes de récupération statiques et les bases de référence à sauts fixes lors d'investigations inter-systèmes, tout en documentant et en résolvant des défauts logiciels spécifiques identifiés lors de l'évaluation.
Ce document introduit N-SCORE, un ordonnanceur de file d'attente équitable au cœur sans état et non conservateur de travail qui préserve les limites de latence de bout en bout optimales des techniques existantes avec état et conservatrices de travail, tout en améliorant considérablement la suppression du jitter et la scalabilité pour les réseaux déterministes.
Cette étude démontre que, bien que le modèle DINOv2-small gelé ne surpasse pas de manière significative le ResNet50 pré-entraîné sur ImageNet de façon supervisée sur des radiographies panoramiques entièrement annotées, il offre une efficacité d'échantillonnage et une performance supérieures pour la classification du diagnostic multi-étiquettes au niveau de la dent sous des budgets d'annotation contraints.
Cette étude introduit Quantum AIO-ChameleonGAN, un cadre hybride quantique-classique de détection d'intrusion qui intègre l'Optimisation de l'Angle d'Incidence pour la modélisation comportementale contextuelle avec un circuit quantique variationnel à huit qubits, atteignant une précision de 99,85 % et une réduction de 33,3 % des faux négatifs sur le jeu de données CIC-UNSW-NB15 tout en démontrant des avantages de représentation via la simulation de vecteur d'état.
Cet article présente l'ensemble de données CRPC-6 et démontre, par l'apprentissage profond et l'analyse de l'explicabilité, que les styles régionaux de la découpe de papier chinoise sont principalement définis par des techniques artisanales distinctes plutôt que par une sémantique thématique, atteignant une précision de classification de 95 % avec un modèle ConvNeXt-Tiny.
Cet article propose le cadre de pensée-apprentissage-action découplés (D-TLA), qui permet aux robots autonomes de s'adapter continuellement grâce à des modules indépendants mais interactifs qui maintiennent les performances de routine tout en améliorant considérablement la reconnaissance d'événements rares et le succès de tâches nouvelles.