4092 articles
Cette étude propose un modèle de réseau de neurones convolutifs (CNN) personnalisé à sept couches qui atteint une précision de test de 96,10 % dans la classification d'images d'IRM cérébrales en catégories Gliome, Méningiome, Hypophyse et normal, démontrant une performance robuste pour le diagnostic assisté par ordinateur sans recourir à des modèles pré-entraînés.
Cet article propose un cadre d'apprentissage collaboratif hiérarchique piloté par les connaissances du domaine (DKHCL) qui intègre la sélection de caractéristiques par Forêt Aléatoire avec la prédiction par Machine à Boosting de Gradient et des contraintes de ratio de charge de travail aiguë-chronique afin d'obtenir des recommandations de condition physique personnalisées de haute précision, démontrant à la fois une performance hors ligne supérieure par rapport aux bases de référence avancées et des améliorations significatives dans la réduction des blessures et l'efficacité de l'atteinte des objectifs lors d'une validation de terrain prospective.
Cet article propose un modèle Enhanced EA-Transformer qui intègre une stratégie de pré-remplissage à double base, un algorithme évolutionnaire à décroissance dynamique et une fonction de perte pondérée multidimensionnelle afin de parvenir à une complétion de haute précision des données de séries temporelles de charge électrique manquantes sous divers mécanismes et taux d'absence.
Cet article démontre que la modélisation explicite de l'intention améliore la performance coopérative par rapport aux méthodes implicites, spécifiquement dans des environnements exigeant des meilleures réponses distinctes selon le type de partenaire, en établissant une division du travail qui sépare le caractère stable d'un partenaire de son état mental dynamique, réduisant ainsi l'incompatibilité entre partenaires.
Cet article introduit un ensemble de données à grande échelle, fondé sur HamNoSys, comprenant 144 000 images RGB provenant de 15 participants pour 160 classes de formes manuelles, et établit les performances de référence en utilisant divers modèles d'apprentissage profond et d'apprentissage automatique sous des protocoles d'évaluation tant dépendants du sujet que de type « leave-one-subject-out » afin de faire progresser la reconnaissance de la langue des signes à grain fin.
Cet article présente SEEDS, un cadre sensible aux rôles pour l'ingénierie des exigences durable dans la santé numérique qui opérationnalise les évaluations de durabilité multidimensionnelles en enregistrements de décision et en exigences exploitables, soutenu par un nouvel outil de rédaction assisté par LLM pour favoriser l'adoption pratique.
Cette étude propose un contrôleur hybride combinant Forêt Aléatoire et Équation Différentielle (RF-DE) qui réduit efficacement la fragmentation dans les systèmes de stockage dédupliqués, atteignant un ratio de fragmentation plus faible, une latence d'E/S considérablement réduite et un indice de santé du stockage plus élevé par rapport aux méthodes existantes de Contrôle de Non-Fragmentation et de Collecte de Déchets Informée par la Fragmentation du Stockage.
Cet article présente PH-RAG, un cadre de récupération hybride parallèle qui exécute simultanément une récupération parcimonieuse et dense avec fusion et reclassement pour atteindre une précision de pointe et une latence améliorée sur la réponse aux questions en domaine ouvert, surpassant les bases de référence agentiques complexes sans nécessiter de graphes de connaissances ou de critiques itératifs.
Cet article passe en revue les réseaux antagonistes génératifs à contraintes de causalité (CC-GANs), qui intègrent des modèles causaux structurels et des interventions pour générer des données résilientes aux biais en allant au-delà des schémas associatifs pour traiter les voies discriminatoires, tout en proposant une taxonomie comparative, en résumant les compromis entre équité et utilité, et en identifiant les défis clés pour une adoption dans des contextes à enjeux élevés.
Le document propose un cadre d'apprentissage fédéré léger et sécurisé qui intègre la confidentialité différentielle avec le chiffrement vectoriel homomorphe pour protéger les applications sensibles aux données comme l'IoMT contre les attaques par rétro-ingénierie, tout en quantifiant les surcharges prédictives et cryptographiques associées.