3657 articles
EviNav est un cadre sans entraînement et fondé sur les preuves pour la navigation d'instance zero-shot qui accumule des preuves visuelles et sémantiques multi-vues pour distinguer les cibles de manière robuste et déterminer la terminaison, atteignant des taux de réussite de pointe dans les tâches de navigation par image et par texte.
Cet article présente un agent de sécurité autonome et léger pour les postes de travail des opérateurs, qui utilise un module de dynamique de frappe clavier efficace basé sur XGBoost pour atteindre une précision d'authentification de 99,8 % avec une consommation de ressources minimale, tout en employant une explicabilité pilotée par SHAP et des politiques graduées avec intervention humaine pour permettre un déploiement à grande échelle et durable en périphérie.
Haar-CFR est un nouveau cadre hybride qui intègre la régularisation par ondelettes de Haar discrètes à l'algorithme CFR+ pour parvenir à une compression de mémoire massive et une convergence plus rapide que les méthodes existantes, offrant une solution évolutive et interprétable pour résoudre des jeux à information imparfaite à grande échelle dans des domaines tels que la finance et le poker.
Cette étude évalue la performance des systèmes basés sur les LLM (ChatGPT et DeepSeek) par rapport aux systèmes de NMT traditionnels (Google Translate et DeepL) dans la traduction de la poésie chinoise moderne en japonais, concluant que les LLM surpassent généralement les NMT en termes de fidélité, de fluidité et de style, tout en démontrant que les stratégies de prompt peuvent influencer de manière significative la qualité de la traduction selon un mode dépendant du modèle.
Cette étude de cohorte rétrospective introduit un nouvel algorithme d'apprentissage automatique entièrement transparent (ShAproxRef) qui approxime un réseau de neurones « boîte noire » pour prédire le sepsis à partir de données de routine des services d'urgence avec une précision comparable (AUC de 0,82 sur les tests externes), renforçant ainsi la confiance clinique et facilitant la mise en œuvre.
Cet article propose et valide des fonctions de perte sensibles au domaine (USELoss) qui remplacent les pertes perceptuelles standards pour améliorer significativement la fidélité structurelle et la préservation des contours de la super-résolution de radiographies médicales, surpassant les méthodes existantes telles que SRGAN, ESRGAN et HAT sur le jeu de données PadChest.
Cet article présente un cadre d'entraînement efficace pour le Gaussian Splatting compact qui accélère la convergence et réduit le nombre de primitives en implémentant une stratégie de densification guidée par la perte, un mécanisme de pruning basé sur le gradient d'opacité, et un passage arrière CUDA optimisé, tout en maintenant une qualité de rendu compétitive.
Cette étude empirique sur la classification des violations de la CEDH démontre que, bien que la contextualisation séquentielle inter-segments via BiGRU améliore le rappel, elle crée un compromis précision-rappel sous agrégation uniforme, lequel n'est résolu qu'en combinant la contextualisation avec une agrégation sélective basée sur l'attention pour atteindre le score macro-F1 le plus élevé.
AgedNet-Motion introduit un cadre de travail sans entraînement et sensible aux ressources pour la perception multitâche en flux continu qui réduit la latence d'inférence en rafraîchissant sélectivement les branches spécifiques aux tâches sur la base de métriques de mouvement et d'âge calibrées tout en réutilisant les sorties mises en cache, atteignant des accélérations significatives avec une perte de qualité minimale à travers divers modèles.
Cette étude démontre que la supériorité initialement rapportée de l'apprentissage multi-instance hiérarchique par rapport à une référence à cadre fixe pour la détection de la thrombose au niveau du patient était un artefact d'incohérences environnementales et n'a pas pu être reproduite dans des conditions contrôlées, réfutant ainsi les affirmations d'un avantage stable du modèle.