3729 articles
Cet article propose l'algorithme Adaptive Quantum-Inspired Swarm Learning (AQISL) pour optimiser la sélection des chefs de grappe dans les réseaux IoT à grande échelle, réduisant efficacement la consommation d'énergie, la perte de paquets et la latence de transmission tout en améliorant l'équilibrage de la charge et la stabilité globale du réseau.
Cette revue systématique analyse les modèles d'apprentissage automatique et d'apprentissage profond appliqués aux biomarqueurs de la parole et de la voix pour la détection de la maladie de Parkinson, soulignant leur haute précision tout en abordant les défis actuels tels que le déséquilibre des données et le manque de généralisabilité, et proposant des directions futures telles que l'intégration multimodale et l'apprentissage fédéré pour une mise en œuvre clinique.
Cette étude démontre qu'un modèle de traitement du langage naturel DeBERTa-v3 déployé localement peut automatiser de manière précise et évolutive la notation de la Qualité de l'Évaluation de l'Apprentissage (QuAL) des commentaires narratifs des Activités Professionnelles Dignes de Confiance à travers plusieurs programmes de résidence, en atteignant un accord substantiel avec les évaluateurs humains tout en préservant la confidentialité des données.
Cet article propose CM2, un modèle de coût monétaire cloud paramétrable pour les bases de données NoSQL orientées documents qui estime avec précision les dépenses opérationnelles en analysant l'interaction entre la conception du schéma, les stratégies d'indexation et les modèles de requêtes dans des environnements sans serveur.
Cette étude propose un système de génération augmentée par récupération agentique avec une recherche hybride pour la planification budgétaire des PME, démontrant, à travers une évaluation comparative, qu'un flux de travail agentique basé sur le routage offre l'équilibre optimal entre la qualité de la récupération et l'ancrage factuel pour une validation fondée sur des preuves.
Cet article soutient qu'en dépit de la performance supérieure de l'IA dans l'exécution des tâches, celle-ci manque de la nature incarnée, située et réflexive du savoir humain, nécessitant un changement des cadres d'évaluation vers la compétence épistémique et le positionnement des humanités comme l'environnement intellectuel essentiel pour définir et tester la véritable intelligence générale.
Cet article propose un cadre guidé par une ontologie qui intègre des caractéristiques sémantiques explicites issues de la Citation Context and Reason Ontology (CCRO) avec des représentations linguistiques contextuelles afin de permettre une classification interprétable de l'intention de citation, atteignant une performance prédictive comparable à celle de SciBERT affiné tout en fournissant des pistes d'audit transparentes au niveau de l'instance pour la découverte d'informations érudites.
Cette étude démontre que l'entraînement récursif de l'IA générative sur des données cliniques synthétiques conduit à un effondrement prédictif rapide en l'espace de cinq générations en raison d'une perte de diversité et de fidélité intersectionnelle plutôt que d'une implausibilité au niveau des enregistrements, tout en soulignant que les mesures d'hallucination existantes sont souvent trompeuses et en préconisant une amélioration de la provenance et de l'évaluation de la qualité pour préserver la diversité des données du monde réel.
Ce document propose WMGIN, un modèle d'apprentissage profond interprétable à multi-granularité basé sur l'auto-attention, qui traite des données QAR multi-échelles via des stratégies de fusion par fenêtres et par couches afin de prédire avec précision les événements d'atterrissage dur tout en maintenant l'interprétabilité.
Ce document propose un modèle de deep learning à attention fine (FGADL-MPPVP) qui utilise une architecture neuronale résiduelle sensible à l'attention et un optimiseur AdamW sans programmation d'échéance pour prédire de manière précise et interprétable la tension du point de puissance maximale des systèmes photovoltaïques sous diverses conditions environnementales, surpassant ainsi les techniques traditionnelles et d'apprentissage automatique existantes.