927 articles
Cet article propose FL-SNNIDS, un cadre de réseaux de neurones à impulsions fédérés qui permet une détection d'intrusion économe en énergie, à faible latence et respectueuse de la vie privée pour les réseaux SDN-IoT agricoles à ressources limitées en atteignant une grande précision grâce à l'entraînement collaboratif de modèles sans échange de données brutes.
Cette revue bibliométrique de 137 articles de haute qualité de 2024 à 2026 cartographie le paysage en pleine évolution des mécanismes de défense des modèles de langage étendus, identifiant des changements thématiques clés vers la détection des vulnérabilités et l'étalonnage tout en mettant en évidence des lacunes critiques dans l'infrastructure d'évaluation qui posent des risques de gouvernance pour les déploiements à enjeux élevés.
Ce document présente l'Inspection Automatisée de Véhicules (AVI), un système d'apprentissage profond multi-vues qui intègre une imagerie synchronisée à 360 degrés avec des modèles de détection spécialisés et un moteur basé sur des règles afin de parvenir à une vérification de véhicules et une détection de défauts de haute précision, sensibles aux variantes, avec un débit de 3,3 véhicules par minute.
Cet article présente un pipeline d'apprentissage automatique piloté par les données qui améliore considérablement la précision de la classification introverti-extroverti pour atteindre 91,90 % en concevant trois caractéristiques comportementales composites et en évaluant 13 algorithmes, démontrant que les K plus proches voisins est le plus performant au sein d'un cadre statistiquement robuste.
Cette étude empirique rigoureuse démontre que, tandis que le partitionnement hors ligne conventionnel des caractéristiques pénultimes pour découvrir la sous-structure intra-classe est peu fiable et dégrade souvent la performance de la classification tabulaire, une approche d'entraînement par sous-centres jointe de bout en bout atténue efficacement ces risques, bien que les auteurs concluent qu'aucune heuristique robuste n'existe actuellement pour prédire quand une telle découverte de sous-structure est bénéfique.
Cet article présente un pipeline entièrement automatisé qui intègre les plongements contextuels BioBERT, le partitionnement hybride et le classement temporel des citations pour cartographier efficacement les paysages de la recherche biomédicale et identifier les points chauds en évolution, comme le démontre une étude de cas complète sur la recherche sur la cataracte.
Cet article propose un nouveau cadre pour identifier les objets de trafic importants qui exploite une modélisation d'interaction globale en vue aérienne (Bird's-Eye View) et une approche de pré-entraînement contrastif langage-mouvement afin d'intégrer les connaissances humaines, surmontant ainsi les limites des méthodes visuelles 2D existantes en matière de raisonnement spatio-temporel et de compréhension dynamique.
Le document propose le cadre CATD-LPT-CFPM, qui améliore l'extraction de motifs fréquents fermés en regroupant les transactions pour réduire l'espace de recherche et en employant une stratégie d'élagage multi-niveaux avec un mécanisme d'élagage de fermeture descendante afin de minimiser le traitement redondant et l'utilisation de la mémoire, malgré un certain surcoût lié au regroupement et à la construction d'arbres.
Cet article propose un cadre amélioré basé sur PointNet pour l'identification autonome de défauts dans les nuages de points 3D, qui utilise un alignement canonique déterministe basé sur la SVD et une perte d'entropie croisée pondérée pour surmonter la variabilité géométrique et le déséquilibre des classes, atteignant ainsi une précision accrue et une latence d'inférence réduite pour l'inspection industrielle en temps réel.
Cet article propose l'algorithme Chaotic Improved Cloud Drift Optimization (CI-CDO), une nouvelle métaheuristique améliorée par la dynamique de la turbulence atmosphérique et des cartes chaotiques, qui démontre une performance supérieure pour résoudre des problèmes d'optimisation de référence, sélectionner des sous-ensembles de caractéristiques optimaux pour la classification et prévoir des données environnementales réelles.