1017 articles
Cet article présente CuSPC, une architecture orientée GPU pour le codage polaire stéganographique qui restructure les ordonnancements de décodage et exploite le parallélisme multi-niveaux pour atteindre une augmentation de débit de 30 fois par rapport aux références CPU, tout en maintenant une faible perte de codage et une résistance à la stéganalyse comparable.
Cette étude présente CodePori, un système multi-agents à grande échelle pour le développement logiciel autonome, et évalue empiriquement son applicabilité en conditions réelles à travers les retours des participants afin d'identifier les défis et opportunités clés au-delà des mesures de référence standards.
Cette étude propose et évalue des stratégies pour redéfinir les devoirs d'informatique afin de tirer parti, plutôt que d'interdire, les outils d'IA, démontrant que les cycles d'apprentissage itératifs, le moment opportun et le feedback continu peuvent améliorer la compréhension réelle des étudiants tout en préservant l'intégrité académique.
Cet article présente Res6-Deep11, un nouveau modèle de reconstruction d'images non supervisé qui détecte et segmente efficacement les déversements de pétrole dans les images SAR sans nécessiter de labels de vérité terrain au niveau du pixel, atteignant une performance supérieure aux méthodes de l'état de l'art avec un score F1 de 77,33 %.
Ce document présente DTap, la première plateforme de red-teaming contrôlable et interactive pour les agents IA, qui comprend un agent de red-teaming autonome (DTap-Red) et un benchmark à grande échelle (DTap-Bench) afin d'évaluer et d'exposer systématiquement les vulnérabilités de sécurité à travers 14 domaines du monde réel.
Cet article présente un cadre évolutif pour l'opérationnalisation d'une IA de confiance dans le secteur de la santé en utilisant un arbre de décision d'analyse d'erreurs et des innovations méthodologiques inédites afin de mettre en lumière les défaillances de sous-groupes cachés et d'atténuer les biais, traduisant ainsi les principes abstraits d'équité en objectifs d'ingénierie vérifiables qui garantissent la conformité avec des réglementations telles que la loi sur l'IA de l'UE.
Cette revue systématique de 154 études (2021–2025) révèle que, bien que l'IA pour la sécurité de l'IoT/IIoT soit fortement axée sur la détection d'intrusions, la recherche actuelle manque de validité opérationnelle en raison de la rareté des étiquettes et des contraintes de ressources, nécessitant un passage vers des protocols de déploiement standardisés, sensibles à la dérive et explicables.
Cet article introduit la méthode de l'Annotation d'Élément de Processus par Décomposition-Recomposition sensible aux contraintes (DR-PEA) afin d'atténuer l'effondrement sémantique des processus dans les grands modèles de langage en transformant le texte de processus non structuré en données structurées standardisées via un pipeline à trois étapes de décomposition sémantique, de recomposition de processus et de mise en correspondance des contraintes, atteignant ainsi une performance supérieure aux bases de référence existantes.
Cette étude compare la précision de la classification et la stabilité de l'explicabilité des modèles DenseNet121 et Vision Transformer sur des images d'histopathologie mammaire, révélant un compromis critique où DenseNet121 atteint une précision et des explications localisées plus élevées, tandis que le Vision Transformer démontre une plus grande robustesse des explications sous des perturbations d'entrée.
Cette étude présente un cadre d'apprentissage profond en trois phases qui combine la prédiction du pH basée sur LSTM avec un contrôle par apprentissage par renforcement profond, validé par rapport à des profils de sols africains à l'aide de données synthétiques, afin de fournir une solution évolutive et transférable pour optimiser la réhabilitation minière dans les régions d'Afrique subsaharienne caractérisées par une rareté des données.