4157 articles
Cet article présente un cadre qui opérationnalise la lignée des données en tant qu'infrastructure pour des pipelines de données financières fiables, démontrant par son déploiement qu'il réduit considérablement les délais de réponse aux audits et permet un suivi vérifiable par machine des sources de données et des transformations.
Cet article audite les systèmes d'IA éducative en utilisant des modèles de langage au niveau du caractère et constate que, bien qu'ils puissent prédire avec succès les transitions de curriculum mises en réserve dans des ensembles de données synthétiques et réels, cette capacité découle de l'exploitation d'une factorisation explicite des métadonnées plutôt que d'une compréhension sémantique du contenu des leçons.
Cet article propose un système de classification non invasif de la sévérité de la maladie de Parkinson utilisant des données de capteurs IMU triaxiaux et l'apprentissage d'ensemble, démontrant que le modèle LightGBM surpasse les autres algorithmes d'apprentissage automatique avec une précision d'environ 97 %.
Cette étude évalue cinq modèles d'apprentissage automatique supervisé pour la détection d'attaques zero-day sur des données déséquilibrées, sélectionnant finalement XGBoost comme la solution optimale en raison de son équilibre supérieur entre une précision élevée et un temps de traitement rapide par rapport au modèle Random Forest, plus précis mais plus lent.
Cette étude introduit un pipeline d'apprentissage automatique en trois étapes, validé sur plus de 670 000 affaires de tribunaux de première instance kényans, qui utilise les modèles LightGBM et CatBoost pour prédire les durées de traitement des affaires et classifier les règlements le jour même, permettant ainsi une gestion proactive des arriérés grâce à un schéma de risque dérivé empiriquement et une application web déployée.
Cette étude démontre que l'EfficientNet-B0 pré-entraîné sur ImageNet surpasse de manière significative l'initialisation aléatoire pour la classification d'IRM de tumeurs cérébrales à quatre classes uniquement en cas de pénurie extrême de données (5 % de 5 600 images), tout en soulignant des limites critiques telles qu'un risque potentiel de fuite de données au niveau du patient et l'absence de signification statistique des bénéfices de l'apprentissage par transfert pour des fractions de données plus importantes, plaidant finalement contre un déploiement autonome sans une validation rigoureuse supplémentaire.
Cette étude démontre qu'un modèle de Forêt Aléatoire utilisant des caractéristiques combinées de PPG et d'intervalle inter-battement peut parvenir à une classification des stades du sommeil en cinq classes, précise, interprétable et efficace sur le plan computationnel, à partir de signaux PPG portables, offrant ainsi une alternative viable aux approches d'apprentissage profond gourmandes en ressources.
Le papier propose LDMFNet, un réseau de fusion bi-modal léger doté d'un squelette à double caractéristique et de modules d'attention spécialisés afin de réaliser une détection d'objets multispectraux précise et efficace sur divers ensembles de données, tout en surpassant les algorithmes existants en termes de précision et de généralisation.
Le papier propose BMTransUNet, un U-Net Transformer multimodal à porte et sensible aux contours qui intègre des données RGB et DSM par une fusion adaptative, une modélisation de contexte basée sur le Vision Transformer et des connexions de saut améliorées par les contours pour atteindre une précision de segmentation sémantique supérieure dans les images de télédétection.
Cet article propose un schéma de filtrage robuste en deux phases qui combine des automates cellulaires flous avec les mesures de similitude de Jaccard et de distance de Hamming afin de détecter et d'éliminer efficacement le bruit de type sel et poivre tout en préservant les détails fins de l'image et en surpassant les techniques existantes.