4157 articles
CUPID-Med est un nouveau cadre qui exploite la découverte de prototypes conscients de l'incertitude conforme pour générer des prédictions de clusters de type ensemble, cliniquement interprétables, avec des scores de confiance calibrés, surpassant de manière significative les bases déterministes dans la structuration de données d'imagerie médicale non étiquetées.
Cette étude propose un cadre d'apprentissage profond de théorie des jeux à deux couches et explicable qui combine SHAP pour l'interprétabilité des caractéristiques et l'équilibre de Nash pour l'analyse de la tarification compétitive afin de surpasser de manière significative les modèles traditionnels dans la prévision de la demande de locations de courte durée.
Cet article propose un « Smart Learning Estimator » (SLE), un filtre de Kalman augmenté par l'apprentissage profond combinant les architectures TGAN, LSTM et RWFNN, qui améliore considérablement la précision et la robustesse des systèmes de navigation INS/GNSS à faible coût lors d'interruptions prolongées du signal GNSS en surmontant les limites des filtres linéaires traditionnels.
Ce document propose TDF-LSTGBM, une nouvelle architecture hybride à deux étapes qui extrait les caractéristiques temporelles de la couche pénultième d'un LSTM empilé et les combine avec des attributs de consommation et temporels pour un Gradient Boosting Machine, atteignant une précision nettement plus élevée dans la prévision de la demande d'électricité du réseau intelligent à plusieurs granularités pour cinq catégories de consommateurs par rapport aux modèles traditionnels LSTM et ARIMA.
GraphGarment est un cadre de sim-to-real efficace en termes de données qui combine un réseau de neurones sur graphes entraîné en simulation avec un correcteur résiduel léger pour prédire avec précision la dynamique des vêtements à partir de données réelles minimales, permettant ainsi un pendage de vêtements robotique robuste.
Cette étude présente un cadre d'apprentissage profond unifié et explicable qui intègre une classification de la microstructure basée sur ResNet50 et une détection de défauts de surface basée sur YOLOv8 avec une estimation de la sévérité par règles pour permettre un contrôle qualité robuste, interprétable et automatisé pour la fabrication de l'acier.
Cet article propose une méthode de simulation au niveau du fil qui exploite les motifs de tissage pour calculer la diffusion thermique directionnelle et les gradients de retrait, générant ainsi avec précision les comportements complexes de flambement thermique, de torsion et de rides non uniformes dans les tissus que les modèles de surface traditionnels ne parviennent pas à capturer.
L'étude AUDIT-AI est un audit de précision diagnostique à trois bras, préenregistré, conçu pour quantifier si les détecteurs de texte IA commerciaux classent systématiquement la littérature scientifique de longue forme provenant d'institutions non anglophones comme étant générée par IA, comparativement aux travaux rédigés par des locuteurs natifs et aux réécritures vérifiées par IA.
Cette enquête formalise les mécanismes de mémoire dans la prévision de séries temporelles multivariées comme des interactions entre états conservés, fonctions d'accès et fonctions de mise à jour, organisant la littérature récente en catégories d'architecture, de récupération et d'évolution afin d'identifier les défis ouverts et de proposer une feuille de route pour la conception de systèmes de prévision auditables et adaptatifs.
Cet article propose un nouveau modèle Transformer convolutionnel léger utilisant une distillation de connaissances hiérarchique progressive multi-enseignants et une compression directionnelle pour parvenir à une compression de vidéo de surveillance et une amélioration de la qualité efficaces tout en maintenant une précision élevée et une faible consommation de mémoire.