4157 articles
Cette étude utilise des méthodes de corrélation inverse pour démontrer que les LLM multimodaux tels que ChatGPT et Gemini génèrent des images faciales « personnifiées » stables, auto-reconnaissantes et à valence positive, fournissant ainsi un indice préliminaire que ces modèles pourraient posséder des représentations internes de leur identité fonctionnelle.
Cette étude démontre qu'un classifieur à Machines à Vecteurs de Support (SVM), optimisé à l'aide de huit caractéristiques clés sélectionnées à partir de l'ensemble de données de Cleveland, atteint une performance supérieure avec une précision de 90,28 % et une AUC de 93 % dans la prédiction des maladies cardiaques par rapport à trente autres classifieurs.
Au cours d'une période de deux ans, UNC Health a perfectionné son cadre d'IA responsable en mettant en œuvre un système à trois niveaux basé sur le risque qui a considérablement amélioré l'efficacité de l'évaluation et réduit les délais tout en maintenant une surveillance rigoureuse, ce qui a permis l'examen réussi de 64 solutions et l'établissement de mécanismes de surveillance post-déploiement robustes avec un minimum d'événements indésirables.
Cet article remet en question le postulat selon lequel le repartitionnement actif est universellement nécessaire pour les index de recherche vectorielle en cas de dérive des données, démontrant à travers des tests de référence contrôlés que des partitions statiques suffisent pour un renouvellement modéré tout en révélant que le recentrage incrémentiel est la solution la plus rentable pour les changements de distribution significatifs, fournissant ainsi une carte de régime et une règle de décision pour permettre aux praticiens de déterminer quand la maintenance est réellement requise.
Cet article présente un cadre d'apprentissage par renforcement multi-agents pour la coordination sécurisée de robots industriels, démontrant par simulation que si une base déterministe gloutonne surpasse la politique MARL sûre proposée en termes d'efficacité, cette dernière permet l'émergence de modèles de communication et souligne le besoin critique d'une bande passante de communication adaptative pour atténuer les risques de collision à mesure que la taille de la flotte augmente.
Cet article démontre qu'un cadre d'apprentissage automatique sensible à la décision pour l'alerte précoce académique surpasse les approches traditionnelles fondées sur des règles ou des seuils de probabilité en réduisant les interventions manquées et en resserrant les disparités d'équité grâce à des décisions de soutien sensibles au contexte dérivées d'estimations de risque calibrées.
Cet article propose un cadre piloté par l'IA qui intègre la maintenance prédictive et l'optimisation des processus afin d'améliorer l'efficacité opérationnelle et la fiabilité des systèmes dans la fabrication industrielle en exploitant les données de capteurs en temps réel pour la détection de fautes, l'estimation de la durée de vie résiduelle et l'ajustement dynamique des paramètres.
Cet article présente une étude d'apprentissage automatique qui prédit avec succès l'issue des matchs de volley-ball professionnel avec une précision de plus de 93 % en utilisant des modèles de Gradient Boosting et de Random Forest entraînés sur des données synthétiques et validés sur de réels matchs de la PlusLiga polonaise, identifiant les différentiels d'OPI et de Break-Point comme les caractéristiques prédictives les plus critiques.
Cet article propose un cadre de sécurité sensible à la confiance piloté par l'IA pour les réseaux radio cognitifs qui intègre une détection basée sur les forêts aléatoires et une évaluation de la confiance bayésienne afin d'atténuer efficacement les attaques de type SSDF, PUE et brouillage, atteignant une haute précision de détection et améliorant considérablement la fiabilité et le débit du réseau, même dans des conditions d'attaque sévères et des niveaux de SNR faibles.
Cet article propose CATBridge, un cadre d'amélioration des connaissances multi-étapes qui exploite un mécanisme de collaboration enseignant-élève pour guider les LLM légers afin d'atteindre une précision d'alignement CVE-ATT&CK supérieure dans des environnements à faibles ressources, surpassant de manière significative tant les méthodes de pointe que les modèles à grande échelle en zero-shot.