1017 articles
Cet article présente un système d'apprentissage profond basé sur DenseNet-121 qui atteint une précision de 96,52 % dans la classification de quatre types de tumeurs cérébrales à partir de jeux de données d'IRM bangladais, tout en employant Grad-CAM et des techniques connexes pour assurer la transparence et la fiabilité du modèle.
Cet article propose IDW-ADAFormer, un cadre basé sur iTransformer qui intègre une décomposition par pondération inverse de la distance adaptative, un module d'attention à diversité d'alignement à base de noyau et une fonction de perte sensible à l'AQI afin de réaliser des prévisions à moyen terme précises et interprétables des concentrations de particules fines spatialement distribuées.
Cet article propose un algorithme hybride de Pareto d'essaim de poissons artificiels qui intègre des mécanismes d'alimentation améliorés et le recuit simulé pour optimiser simultanément la planification de la séquence d'assemblage et l'équilibrage de la ligne d'assemblage en minimisant la perte d'équilibrage, les temps de commutation et le temps de battement.
Cette étude évalue la performance de l'algorithme Apriori sur des ensembles de données transactionnelles synthétiques à grande échelle pour démontrer que, bien que l'abaissement des seuils de support augmente la diversité des règles, cela accroît considérablement les coûts computationnels, soulignant ainsi la nécessité de équilibrer la profondeur algorithmique et l'efficacité par une sélection optimale des seuils.
Cet article propose un algorithme d'évolution différentielle adaptative coopérative sensible à l'état de la population (PSAC-DE) doté d'un contrôleur d'état unifié pour résoudre un modèle de coordination des signaux de trafic artériel à quatre objectifs, démontrant des améliorations significatives du délai, des arrêts, de la largeur de bande de l'onde verte et des émissions de carbone par rapport aux optimiseurs courants dans des scénarios simulés à Hangzhou.
Le papier propose FreqPrompt-AD, un cadre sans entraînement qui améliore la détection et la segmentation d'anomalies industrielles en zéro tir grâce à l'utilisation de l'incitation sémantique locale guidée par la fréquence pour surmonter les limites de l'alignement image-texte global des modèles de type CLIP, atteignant ainsi des performances de pointe sur de multiples bancs d'essai.
Cet article introduit un cadre de mesure fondé sur des axiomes d'utilité pour évaluer la rationalité des grands modèles de langage, révélant que de nombreux modèles présentent des violations systématiques de la transitivité des préférences qui compromettent la cohérence décisionnelle, bien que certains schémas reflètent le comportement humain.
TopoLeaf est un cadre de détection d'anomalies visuelles sans entraînement et sans exemple (zero-shot) pour les systèmes cyber-physiques agricoles qui combine la distance géométrique et l'homologie persistante locale sur des caractéristiques de modèles de fondation afin d'identifier de manière robuste les nouvelles maladies des plantes et les déviations structurelles à travers divers domaines de cultures sans nécessiter de données annotées.
Cet article présente une revue systématique de 80 études (2010–2026) analysant la course aux armements évolutive entre la détection des cybermenaces pilotée par l'IA et les techniques d'évasion adverses, offrant une taxonomie unifiée, une analyse visuelle des tendances, ainsi qu'une évaluation critique des défis et des directions futures au sein des environnements de sécurité Zero Trust.
Cet article introduit TimeSynth, un cadre de benchmarking contrôlé qui expose les limites des métriques ponctuelles standards pour l'évaluation des jumeaux numériques de signaux de santé en révélant d'importantes erreurs de phase et de fréquence dans les modèles de pointe, plaidant ainsi pour une sélection de modèles pilotée par l'architecture basée sur des diagnostics de fidélité temporelle.