3657 articles
Cet article explore le domaine de la recherche textuelle et multimédia, en examinant des méthodologies telles que la fusion multimodale et l'apprentissage profond pour surmonter des défis tels que le fossé sémantique et l'extensibilité lors de la récupération de contenus multimédias à l'aide de requêtes en langage naturel.
Cette revue rapide de la portée portant sur 69 études d'IA et d'apprentissage automatique dans les contextes de soins aux personnes âgées révèle que les pratiques de rapport actuelles privilégient le développement technique des modèles au détriment de considérations essentielles au niveau du système, telles que la validation externe, la quantification de l'incertitude et les détails de déploiement contextuel, suggérant que les directives existantes en matière d'IA médicale sont insuffisantes pour les complexités des soins aux personnes âgées.
Cette étude démontre que l'intégration d'un stockage authentifié AES-256-GCM avec le chiffrement totalement homomorphe permet une inférence d'apprentissage automatique sécurisée de bout en bout avec une perte minimale de précision prédictive, malgré l'imposante surcharge de calcul par rapport au traitement en clair.
Cette étude introduit DamageArbiter, un cadre d'arbitrage multimodal qui améliore la précision et la fiabilité de l'évaluation des dommages de catastrophe basée sur des vues de rue en exploitant un méta-classifieur pour résoudre les désaccords entre modèles, améliorant ainsi de manière significative la performance de classification et réduisant les erreurs de surconfiance par rapport aux bases de référence unimodales et multimodales existantes.
Cette étude démontre que les modèles de survie à noyaux quantiques pour la récurrence du cancer du sein peuvent être exactement expliqués via les valeurs de Shapley en raison de leur encodage à faible nombre de qubits, tout en révélant que leur performance prédictive est statistiquement comparable aux noyaux à base radiale classiques et robuste au bruit, suggérant que leur principale valeur pratique réside dans l'interprétabilité plutôt que dans une précision supérieure.
Cet article propose RDC-MOEA, un algorithme évolutionnaire multi-objectif contraint assisté par décodeur de rayon, qui optimise simultanément l'activation des capteurs et la consommation d'énergie pour une couverture de barrière forte probabiliste dans les réseaux de capteurs sans fil multimédias en faisant évoluer des motifs d'activation binaires et en utilisant un décodeur spécialisé pour construire des rayons de détection adaptatifs, atteignant ainsi des performances et une robustesse supérieures par rapport aux variantes existantes.
Cet article propose DDI-VO, une nouvelle architecture de l'odométrie visuelle monoculaire de bout en bout qui unifie les méthodes denses et parcellaires grâce à un mécanisme d'attention sensible à la géométrie et à un apprentissage curriculaire géométrique afin d'atteindre une robustesse supérieure dans des conditions difficiles tout en maintenant une précision compétitive.
Cette étude propose un cadre d'apprentissage fédéré auditable qui maintient une précision et des scores F1 élevés pour la classification multimodale des tumeurs cérébrales sous des stress cliniques réalistes tels que le déséquilibre des étiquettes et l'abandon de clients, tout en introduisant un audit des poids au niveau des cycles pour fournir une visibilité forensique sur l'évolution du modèle que les métriques conventionnelles ne saisissent pas.
Cet article propose une méthodologie systématique utilisant la conception expérimentale D-optimale et l'optimisation de Pareto pour développer des réseaux de neurones convolutifs à séparation par profondeur (depthwise separable CNN) hautement efficaces et légers, qui atteignent une précision de pointe dans la reconnaissance de gestes de la main basée sur l'eEMG tout en réduisant considérablement les coûts computationnels pour le déploiement sur des systèmes embarqués aux ressources limitées.
Cet article propose un schéma de dissimulation de données réversible à haute capacité pour les images cryptées qui combine un chiffrement affine par bloc avec un prédicteur adaptatif de voisin unique afin de préserver l'espace d'insertion tout en brouillant la variance des blocs, atteignant ainsi des taux d'insertion nettement plus élevés et éliminant le besoin de séparabilité basée sur la variance par rapport aux méthodes existantes.