929 articles
Cet article propose DP-DCGAN, un réseau antagoniste génératif convolutionnel profond amélioré par la confidentialité différentielle qui emploie le clipsage de gradient adaptatif et l'injection de bruit pour atteindre un équilibre supérieur entre la protection de la vie privée et la synthèse d'images de haute qualité sur des jeux de données standards.
Cet article introduit une fonctionnalité d'équilibrage de charge adaptatif pilotée par l'IA pour CloudSimPlus qui utilise un modèle d'arbre de décision pré-entraîné pour sélectionner dynamiquement la stratégie la plus appropriée parmi un cadre unifié de politiques basé sur des métriques en temps réel et des objectifs définis par l'utilisateur, améliorant ainsi l'efficacité et la prise de décision dans les environnements cloud dynamiques.
Cet article soutient que donner la priorité à une forte généralisation du modèle pour prévenir le surapprentissage est une stratégie plus efficace pour atténuer les attaques d'inférence de membre et d'attribut dans les systèmes de détection d'intrusion SDN-IoT que de s'appuyer uniquement sur la confidentialité différentielle, en proposant un modèle en cascade hybride AOPRF-XGBoost pour atteindre une grande précision de détection tout en préservant la confidentialité.
Cet article propose LA-MOCHS, un cadre évolutionnaire sensible à la durée de vie qui traite la sélection multi-objectif de chefs de grappes dans les réseaux de capteurs sans fil sous-marins en modélisant la capacité de service comme un problème de maximisation d'influence sous-modulaire, atteignant ainsi une durabilité de réseau à long terme supérieure grâce à des stratégies de déploiement sensibles à la charge plutôt qu'à l'optimalité d'un tour unique.
Cet article présente un cadre respectueux de la vie privée et aux ressources contraintes pour la prédiction précoce des risques étudiants, qui intègre des modèles XGBoost calibrés, une explicabilité basée sur SHAP et une couche d'intervention agentielle sensible au budget afin de garantir une prise de décision précise, interprétable et conforme tout en prenant en charge l'apprentissage non supervisé (machine unlearning).
Cet article présente CerebroTune, une nouvelle métaheuristique hybride bio-inspirée qui intègre les automates cellulaires, un algorithme de colonie d'abeilles artificielles modifié et l'apprentissage par renforcement avec des réseaux de Hopfield pour optimiser dynamiquement les hyperparamètres de l'apprentissage profond, atteignant ainsi une précision supérieure, des coûts de calcul réduits et une stabilité accrue à travers divers domaines par rapport aux méthodes existantes.
Cet article propose un algorithme d'optimisation de mine d'or amélioré avec un cadre de partage d'informations à double couche et une dominance de Pareto dynamique (IGMO-DP) pour résoudre efficacement le problème d'ordonnancement multi-objectif des essaims d'UAV hétérogènes en optimisant simultanément le temps d'achèvement de la mission, la consommation d'énergie et l'équilibre de la charge, démontrant une convergence et une diversité de solutions supérieures par rapport aux algorithmes de pointe.
Cet article soutient que la mesure traditionnelle de l'impact scientifique basée sur les citations devient obsolète à une ère de revues dégroupées et d'accès aux connaissances médiatisés par l'IA, nécessitant un nouveau système qui reconnaisse et mesure les contributions de l'engagement envers l'IA, des bibliothèques open-source et des ensembles de données qui ne font pas l'objet de publications formelles.
Cet article propose une méthode de délestage de tâches sensible à la file d'attente pour le continuum de calcul qui hybride une approximation analytique corrigée du délai G/G/c avec des observations de file d'attente en temps réel afin d'assigner dynamiquement les tâches sous des charges de travail variables, réduisant ainsi considérablement la latence et l'erreur d'estimation par rapport aux références existantes sans nécessiter d'entraînement ni de calibrage.
Ce document propose DPENet, un réseau de perception dynamique qui intègre des modules de convolution dynamique adaptative, d'attention déformable et d'échantillonnage dynamique pour traiter efficacement des défis tels que la variation de taille des cibles, la densité des petits objets et les arrière-plans complexes dans la détection d'images de télédétection à haute résolution.