4157 articles
Cet article propose un cadre CatBoost distribué et respectueux de la vie privée, doté d'une agrégation pondérée, qui atteint une grande précision dans la prédiction des risques d'IST et de VIH dans huit pays sans nécessiter de données centralisées, offrant ainsi une alternative robuste aux modèles d'apprentissage automatique centralisés traditionnels.
NAE-VC est un cadre de codage entropique appris et modulaire qui remplace le moteur CABAC standard des codecs H.264, H.265 et H.266 par une architecture neuronale combinant l'agrégation de contexte, la modélisation de mélange gaussien et les hyper-priorités afin d'obtenir des économies de débit significatives tout en maintenant une compatibilité totale avec les normes de codage vidéo existantes.
Cet article introduit MUNNA, un nouveau cadre hybride à trois étapes qui intègre une métaheuristique GWO-SA pour la sélection de caractéristiques, un ensemble de stacking pondéré par l'incertitude et un mécanisme de rétroaction en boucle fermée par SHAP afin d'atteindre des performances de diagnostic de maladies de pointe sur l'ensemble de données Breast Cancer Wisconsin tout en abordant les limites liées à la stagnation dans les optima locaux et à la pondération statique de l'ensemble.
L'article présente DAÏO, un nouveau système de détection de chute basé sur la vision et capable d'être déployé en périphérie (edge), qui combine un estimateur de pose léger, un filtre de Kalman étendu adaptatif et un moteur de logique à triple vérification pour atteindre une spécificité élevée (96,4 %) et réduire considérablement les faux positifs provenant des activités quotidiennes et des prosternations religieuses tout en maintenant des performances en temps réel sur du matériel grand public.
STAC-MV est le premier cadre de compression vidéo multivue basé sur les transformeurs qui exploite une sélection de contexte adaptative sensible à la géométrie et une attention inter-vues pour obtenir des améliorations significatives du taux BD par rapport aux normes conventionnelles à travers diverses configurations de caméras, tout en réduisant substantiellement le temps d'encodage.
Cet article propose un pipeline d'alignement multi-étapes combinant l'extraction de préférences, le réglage fin supervisé et l'optimisation directe des préférences pour atténuer efficacement le biais de popularité dans les systèmes de recommandation de films basés sur les LLM, en améliorant la nouveauté et la couverture du catalogue tout en maintenant une précision compétitive.
Pour remédier à l'écart de généralisation dans la détection de falsification de visages causé par le conflit entre les sémantiques de haut niveau transférables et les artefacts locaux épars, cet article propose SemFusion, un cadre qui combine une Régularisation de Cohérence Sémantique pour préserver la structure transférable de CLIP avec un apprentissage de Preuves de Patch Multi-niveaux pour capturer et fusionner efficacement les indices de falsification localisés.
Cette étude démontre que la construction de concepts fondés sur la clinique améliore les modèles à goulot d'étranglement conceptuel pour la classification de radiographies thoraciques, les approches supervisées atteignant des performances solides comparables aux bases de référence sans goulot d'étranglement, tandis que les modèles sans étiquettes offrent une alternative prometteuse lorsque les annotations de concepts sont indisponibles.
Cet article introduit BioGraph-SentiCOVID, un cadre de réseau neuronal de graphes à contexte adaptatif et calibré qui optimise la sélection du contexte conversationnel et les hyperparamètres via un algorithme génétique afin d'atteindre l'état de l'art de la classification de sentiment des tweets bruyants sur la COVID-19 sur Twitter.
Cet article présente une étude comparative de modèles classiques, neuronaux et de type transformer pour la détection de positions politiques sur X lors de l'élection américaine de 2024, démontrant que si le modèle BERTweet affiné atteint la précision la plus élevée, des modèles classiques soigneusement élaborés, tels que les SVM linéaires, offrent une alternative hautement compétitive, plus efficace et plus interprétable pour un déploiement à grande échelle.