1017 articles
Cet article propose une approche de vérification de la source pour la détection du hameçonnage par courriel qui combine le traitement du langage naturel (NLP) pour extraire les institutions cibles avec l'exploration de données Web afin de comparer les URL et le contenu fournis avec les sites officiels, atteignant une précision de 96 % et surpassant les services de détection existants.
Cette étude présente une boîte à outils intégrée de réalité augmentée et d'électronique embarquée qui améliore considérablement la compréhension des graphes de réseaux complexes chez les étudiants de premier cycle en STIM, bénéficiant particulièrement à ceux ayant une faible confiance initiale, en combinant des visualisations physiques-virtuelles synchronisées avec l'interaction tactile et des superpositions contextuelles.
Cet article propose NSP-ML, un cadre d'apprentissage multimodal qui intègre des données visuelles à des journaux textuels guidés par la normalité et conscients des a priori spatio-temporels afin d'améliorer significativement la reconnaissance des comportements anormaux dépendants du contexte dans les environs de campus, atteignant des performances de pointe sur le jeu de données CABRH8.
Ce document propose IoT-TrustChain, un cadre de contrôle d'accès basé sur la blockchain et économe en ressources qui intègre la délégation dynamique et des politiques sensibles aux événements afin de réduire considérablement la latence de décision et la consommation de gaz tout en améliorant la réactivité en temps réel pour les environnements IoT contraints.
Cette étude démontre que l'injection de prompts par incrustation d'images pose un risque de sécurité inter-fournisseurs significatif pour les modèles de vision-langage dentaires, révélant que si tous les systèmes commerciaux et open-source testés sont vulnérables, l'assainissement basé sur l'OCR et les stratégies de gouvernance tenant compte de la provenance peuvent atténuer efficacement ces attaques tout en préservant la précision du diagnostic clinique.
Cet article propose un nouveau réseau d'attention affine profond sensible aux frontières qui intègre la modélisation des relations par paires de mots de bordure, la convolution dynamique et l'attention affine profonde afin de relever efficacement les défis de l'identification des frontières d'entités et de la modélisation des dépendances à longue portée, atteignant des performances de pointe sur les tâches de reconnaissance d'entités nommées plates et imbriquées à travers cinq ensembles de données de référence.
Ce document introduit et évalue les champs résiduels pythagoriciens de Bernardes sensibles aux branches (Bernardes Branch-Aware Pythagorean Residual Fields) en tant qu'outil de diagnostic de traitement géométrique spécialisé, non destiné à la fabrication, conçu pour générer des indices de contour compatibles avec les branches pour l'analyse exploratoire d'enveloppes de maillage, tout en reconnaissant explicitement ses limites concernant la dépendance aux coordonnées, la sensibilité à la résolution et l'absence de garanties de fabrication par rapport aux champs de distance standards.
Cette étude propose un cadre d'apprentissage profond utilisant des architectures YOLO pour détecter et classifier huit activités de conduite, démontrant que le modèle YOLOv8n atteint une performance en temps réel supérieure avec une mAP de 96,3 % sur un ensemble de données de 5 422 images, offrant ainsi une solution efficace pour améliorer la sécurité routière dans les systèmes de transport intelligents.
Cette revue systématique de la littérature portant sur 136 articles identifie 14 perspectives de recherche clés sur la qualité et la compréhensibilité de la notation du langage de modélisation unifié (UML), révèle une tendance croissante vers les tests et l'évaluation, et propose des directions de recherche futures incluant l'intégration avec les plateformes low-code et l'amélioration de l'évaluation automatisée.
Cet article présente le cadre d'Interpretable Edge Intelligence (IEI), qui combine un LSTM-Autoencoder avec un KernelSHAP compressé par K-Means pour réaliser une analyse de cause racine causale et en temps réel des anomalies de QoS dans les réseaux privés 5G, démontrant une grande précision ainsi que la nécessité critique d'un étalonnage local pour prévenir les échecs de déploiement.