3657 articles
Cet article présente FRIDAY, un cadre de génération augmentée par récupération optimisé, conçu pour permettre des agents cognitifs locaux efficaces et respectueux de la vie privée en répondant aux contraintes de ressources spécifiques et aux défis de performance liés au déploiement de petits modèles de langage.
Cette étude empirique révèle que la précision de l'analyse de cause racine basée sur les LLM dans les microservices est principalement pilotée par la qualité des preuves extraites par son pipeline sous-jacent plutôt que par le modèle lui-même, tout en soulignant la vulnérabilité significative du système aux textes trompeurs et aux erreurs de synchronisation.
Le document présente Credence, un cadre de décomposition de revendications qui remplace les métriques de chevauchement de jetons par une évaluation basée sur la similitude sémantique (Semantic-F1) et fournit des garanties de convergence formelles pour les pipelines de réparation, démontrant des améliorations significatives de la précision de la décomposition et de la fiabilité de la vérification des faits à travers de multiples domaines et modèles.
Cet article propose un cadre hybride explicable CNN-ViT qui combine EfficientNet-B0 et ViT-Base/16 avec des mécanismes d'attention pour atteindre une précision de 98,67 % dans la classification des maladies des feuilles de café éthiopien, offrant ainsi une solution transparente et performante pour l'agriculture de précision.
Le quatrième défi autoPET/CT-IV démontre que, bien que les méthodes d'apprentissage profond interactives parviennent à combiner efficacement l'inférence automatisée avec l'apport d'experts pour obtenir une segmentation robuste des lésions de l'ensemble du corps à travers divers domaines d'imagerie, la segmentation longitudinale à partir de clichés appariés demeure nettement plus complexe en raison de la variabilité temporelle et anatomique.
Cet article présente PowerGLUE, un benchmark complet et spécifique à un domaine comprenant 3 603 éléments répartis sur six secteurs clés de l'énergie et deux catégories de tâches, conçu pour évaluer systématiquement les capacités et les limites des grands modèles de langage dans l'industrie de l'énergie électrique.
Cette étude démontre que les modules d'attention et de graphes légers ne parviennent pas à apporter d'améliorations statistiquement significatives par rapport aux modèles de référence ResNet et EfficientNet identiques pour la classification de radiographies thoraciques à neuf classes, remettant en question la validité des gains précédemment rapportés qui manquent souvent de comparaisons statistiques rigoureuses par paires et sur plusieurs graines.
Cette étude a utilisé l'outil WEKA pour évaluer sept algorithmes d'apprentissage automatique basés sur des arbres de décision sur un ensemble de données de qualité de l'eau de Kaggle, concluant que l'algorithme Random Forest (RF) a obtenu la performance prédictive la plus élevée avec un taux de classification correct de 69,28 % pour distinguer l'eau potable sûre de l'eau non sûre.
Cette étude a développé et évalué un cadre fondé sur des données probantes qui intègre un modèle de langage étendu à un graphe de connaissances sur la sécurité des patients et à la génération augmentée par récupération, démontrant que les connaissances structurées améliorent considérablement l'extraction de concepts et les performances de raisonnement pour les applications de sécurité clinique.
Cette étude combine une revue systématique de la recherche basée sur l'ILPD avec une expérience reproductible et contrôlée contre les fuites de données pour démontrer que l'ingénierie de caractéristiques automatisée et cliniquement interprétable améliore significativement les compromis de discrimination et de dépistage d'un modèle d'ensemble hybride explicable pour la prédiction des maladies du foie, tout en soulignant l'impact critique de la conception de la validation sur les mesures de performance rapportées.