4157 articles
Cet article soutient que la mesure traditionnelle de l'impact scientifique basée sur les citations devient obsolète à une ère de revues dégroupées et d'accès aux connaissances médiatisés par l'IA, nécessitant un nouveau système qui reconnaisse et mesure les contributions de l'engagement envers l'IA, des bibliothèques open-source et des ensembles de données qui ne font pas l'objet de publications formelles.
Cet article propose une méthode de délestage de tâches sensible à la file d'attente pour le continuum de calcul qui hybride une approximation analytique corrigée du délai G/G/c avec des observations de file d'attente en temps réel afin d'assigner dynamiquement les tâches sous des charges de travail variables, réduisant ainsi considérablement la latence et l'erreur d'estimation par rapport aux références existantes sans nécessiter d'entraînement ni de calibrage.
Ce document propose DPENet, un réseau de perception dynamique qui intègre des modules de convolution dynamique adaptative, d'attention déformable et d'échantillonnage dynamique pour traiter efficacement des défis tels que la variation de taille des cibles, la densité des petits objets et les arrière-plans complexes dans la détection d'images de télédétection à haute résolution.
Cette étude introduit un nouveau modèle d'apprentissage profond MACB-ResNet qui améliore considérablement la précision de la classification des stimuli de goût virtuel à partir de signaux d'électromyographie de surface (sEMG) faciale pour atteindre 86,32 %, surpassant ainsi les classificateurs traditionnels et les classificateurs d'apprentissage profond standards pour des applications dans la santé numérique et la technologie alimentaire.
Cette étude propose un cadre basé sur l'apprentissage par transfert qui améliore BiSeNetV2 avec une perte hybride Cross-Entropy–Lovász pour obtenir une segmentation de joint robuste et en temps réel pour le soudage robotique autonome dans la construction, améliorant significativement les performances sur les surfaces réfléchissantes sans augmenter la complexité computationnelle.
TITAN est une nouvelle architecture d'apprentissage fédéré à trois niveaux pour la détection d'intrusions dans l'Internet des Objets Industriels qui surmonte les défis des données non-IID et du déséquilibre des classes en n'échangeant que les sorties de prédiction et les résumés de dispositifs via une distillation de connaissances adaptative et une agrégation bayésienne, atteignant une performance macro-F1 supérieure aux méthodes existantes sans nécessiter le partage de données brutes ou de gradients.
Cet article propose un cadre d'apprentissage fédéré hiérarchique pour la santé qui intègre la confidentialité différentielle au niveau du client avec le chiffrement homomorphe CKKS au niveau de l'institution, démontrant que si la confidentialité différentielle entraîne des pertes de précision mesurables dépendantes du budget de confidentialité, le chiffrement homomorphe n'introduit aucune dégradation de l'utilité, isolant ainsi et quantifiant les compromis distincts entre confidentialité et utilité de chaque mécanisme.
Cet article propose un cadre unifié qui intègre la génération de récits sémantiques à la modélisation prosodique de la description audio, démontrant que la synthèse basée sur des références capture efficacement les nuances émotionnelles telles que la fréquence fondamentale et le débit de parole pour améliorer l'accessibilité pour les utilisateurs malvoyants, bien qu'une validation perceptuelle soit encore requise.
Ce document propose le CD-LHBC, une blockchain hiérarchique légère pilotée par le consensus pour les réseaux de cousins numériques (Digital Cousin Networks) qui intègre des sous-chaînes régionales, une chaîne de coordination et un score de cohérence de cousin numérique dynamique afin d'atteindre une synchronisation à faible latence et tolérante aux pannes à travers des environnements multi-régions avec jusqu'à 25 % de nœuds malveillants.
Cet article présente une approche pilotée par les données utilisant des réseaux de capteurs et des ensembles d'arbres de décision aléatoires pour détecter, localiser et suivre avec précision des sources radioactives dans des environnements complexes, démontrant une performance supérieure aux méthodes traditionnelles tout en éliminant la nécessité d'une modélisation détaillée du transport des radiations.