4157 articles
Cette étude propose un cadre d'IA complet pour la fabrication pharmaceutique qui intègre la modélisation prédictive avec l'explicabilité, l'équité, le calibrage, la surveillance de la dérive et la traçabilité réglementaire afin de garantir des décisions de gouvernance de la qualité défendables et prêtes pour les audits.
Cette étude démontre qu'un modèle d'apprentissage profond léger, YOLO11n, peut atteindre une précision quasi parfaite dans la classification automatique des méthodes de transformation des concombres de mer séchés (salage, fumage et rôtissage) à partir d'images d'objets denses, offrant ainsi une alternative robuste et non destructive à l'inspection manuelle subjective pour le classement de la qualité.
Ce papier propose SGMS-DTDNet, un réseau de distillation à double enseignant multi-échelle guidé par la sémantique qui intègre la sémantique spécifique au domaine, les priors structurels et la sélection adaptative de caractéristiques pour atteindre des performances de pointe dans la détection unifiée d'anomalies médicales et industrielles en surmontant des défis tels que la rareté des échantillons anormaux et l'hétérogénéité des morphologies de défauts.
Cette étude démontre que les stratégies de réglage fin efficace en paramètres (PEFT), telles que le réglage fin partiel et BitFit, surpassent le réglage fin complet dans les modèles de fondation d'électrocardiogrammes en améliorant considérablement la généralisabilité et en réduisant le surapprentissage, particulièrement sur les données hors domaine et dans les scénarios à ressources contraintes.
Cet article introduit un cadre guidé par des contraintes qui répare les réseaux de neurones déployés en localisant les poids pertinents pour les fautes via DeepSHAP, en collectant des contraintes symboliques par test concolique, et en optimisant les mises à jour avec Max-SMT, démontrant à travers des expériences approfondies qu'une exploration systématique de l'espace des conceptions révèle des stratégies de réparation critiques — telles que des modifications de biais uniquement — qui réduisent considérablement les vulnérabilités adverses et les portes dérobées tout en préservant la fidélité du modèle.
Cette revue systématique de 32 études (2022–2025) identifie quatre architectures hybrides combinant l'apprentissage par renforcement et les métaheuristiques pour la planification de trajectoires de drones autonomes, concluant que bien que ces cadres améliorent l'adaptabilité et la convergence, leur maturité pour une application réelle est actuellement limitée par une absence totale de validation sur matériel physique, de reproductibilité du code et de tests statistiques rigoureux.
Cet article propose un cadre AIOps intégré qui combine une notation de risque prédictive basée sur XGBoost, une détection d'anomalies pilotée par autoencodeur et une remédiation automatisée basée sur Random Forest afin d'atténuer proactivement les échecs de déploiement et de réduire significativement le temps moyen de récupération dans les environnements CI/CD.
Cet article présente un cadre de vision par ordinateur multi-architecture progressif pour la détection de défauts en temps réel dans la fabrication additive par arc électrique (WAAM), évaluant et comparant systématiquement des modèles interprétables en deux étapes, des réseaux d'apprentissage profond de bout en bout et une nouvelle architecture de prétraitement apprenable (MCFE-Net) afin d'optimiser les compromis entre l'efficacité computationnelle, l'interprétabilité et la précision de la détection d'anomalies.
Cette étude empirique teste une fonctionnelle de friction de consentement dans l'apprentissage par renforcement multi-agents, rejetant sa forme monotone spécifique en tant que prédicteur universel tout en démontrant que les effets de coordination observés sont largement des artefacts de choix de conception et que le seul effet structurel survivant — où l'alignement coopératif améliore les résultats — est piloté par une faisabilité accrue dans les environnements à ressources partagées plutôt que par une réduction de la friction d'apprentissage.
Cet article présente une étude comparative exhaustive des approches d'apprentissage automatique et d'apprentissage profond pour la reconnaissance d'accents multilingues à l'aide des ensembles de données Speech Accent Archive et AccentDB, démontrant que les modèles hybrides CNN–BiLSTM atteignent une précision supérieure (jusqu'à 99,18 %) et soulignant la faisabilité du déploiement de ces systèmes pour des interactions personnalisées et sensibles à l'accent dans l'électronique grand public.