929 articles
Ce document présente MESH4ID, un pipeline de réalité virtuelle centré sur le casque, construit sur Unity/OpenXR, qui permet aux utilisateurs de capturer, gérer et reconstruire des environnements intérieurs en figeant les flux LiDAR en direct en instantanés traçables pour une inspection interactive et une génération de maillage à la demande au sein d'un cadre de VR immersif.
L'article propose SMPD, un nouveau cadre d'apprentissage méta auto-supervisé qui exploite des données temporelles multimodales et le pré-entraînement contrastif pour prédire les compromissions d'appareils IoT 24 à 48 heures à l'avance avec une grande précision et une adaptabilité à peu d'exemples, surpassant de manière significative les bases de référence existantes de détection d'intrusion dans des environnements à ressources limitées.
Cet article présente GRADV, un flux de travail d'analyse de signaux reproductible qui découvre et évalue les motifs audio de la classe cible dans les modèles de détection de mots-clés en optimisant les formes d'onde et en effectuant une analyse au niveau des segments, atteignant des taux de réussite élevés sans proposer de nouvelles architectures de reconnaissance de la parole.
Cet article propose un schéma Pydantic et une base de référence de petit modèle de langage en quelques exemples (few-shot) pour extraire la traçabilité des changements d'ingénierie à partir d'ordres de travail CNC hérités, fragmentés, bilingues et tronqués, démontrant une validité de schéma élevée tout en révélant que les pré-prompts contextuellement ancrés dégradent la performance et que les filtres post-déterministes améliorent la précision sans affecter le rappel.
OptiVerse AI est un système d'apprentissage profond explicable qui utilise EfficientNetB7 et Grad-CAM pour classifier la rétinopathie diabétique et reconstruire des structures rétiniennes 3D à partir d'images de fond d'œil standard, atteignant plus de 95 % de précision pour améliorer la détection précoce des maladies et la prise de décision clinique.
Cet article présente RECON, une architecture multi-agents neuro-symbolique qui combine des règles déterministes, de la détection floue et du raisonnement par LLM avec un système de recettes piloté par YAML et un audit infalsifiable pour fournir des examens de conformité documentaire reproductibles, défendables et fusionnant les preuves à travers des référentiels d'entreprise hétérogènes.
Cet article démontre que pour le recalage en microscopie corrélative, la similitude d'apparence intermodale est un déterminant de succès plus critique que la gestion de l'échelle du champ de vision, comme en témoignent la performance supérieure des architectures de base entraînées de manière intermodale et l'échec des enveloppes naïves sensibles à l'échelle à surmonter les disparités d'apparence.
Cet article introduit un protocole de correction de Fourier rentable et sans entraînement qui quantifie et ajuste les écarts d'amplitude spécifiques à basse fréquence entre les images de construction synthétiques et réelles afin d'améliorer significativement les performances de segmentation en situation de démarrage à froid pour les classes rares et critiques en matière de sécurité, sans nécessiter de vastes données cibles non étiquetées ou de modèles génératifs.
Cet article présente CB-SentiLex, un cadre de supervision faible auditable et le premier benchmark de traitement du langage naturel reproductible pour une banque centrale d'Asie du Sud, qui génère avec succès des étiquettes de posture pour un corpus de la Bangladesh Bank et démontre une forte performance du modèle ainsi que des corrélations significatives avec les orientations de la politique monétaire, malgré les défis posés par la dérive conceptuelle temporelle.
Cette étude introduit le cadre de la Théorie du Champ Éthique pour démontrer, à travers des simulations à grande échelle, que la stabilisation ciblée adaptative est significativement plus efficace que la régulation uniforme ou l'absence d'intervention pour prévenir les instabilités de cascades récursives à travers diverses topologies de réseaux d'IA multi-agents.