1017 articles
Cet article propose un cadre de réseau antagoniste génératif avec classificateur auxiliaire (AC-GAN) qui synthétise des images thermiques de haute fidélité de défauts photovoltaïques rares pour remédier au déséquilibre des classes, améliorant ainsi de manière significative le calibrage probabiliste et la fiabilité du diagnostic de pannes piloté par l'IA dans les opérations solaires.
Cet article introduit QNeuroGen, un cadre neuronal hybride quantique-classique qui parvient au décodage en temps réel des états cognitifs à partir de signaux EEG bruités avec une précision de 89,2 % et une latence de 48 ms en intégrant un prétraitement structuré à un encodage de caractéristiques quantiques variationnelles.
Cette étude propose une architecture hybride ResNet101-LSTM optimisée avec Adam qui atteint une précision et une spécificité élevées dans la classification du cancer du sein à partir d'images histopathologiques de BreaKHis à un grossissement de 40x, surpassant d'autres modèles d'apprentissage profond dans les scénarios binaires et multiclasses.
Cette étude démontre la viabilité des réseaux de neurones quantiques pour la prévision de l'énergie éolienne en évaluant systématiquement 12 configurations par rapport aux modèles classiques, révélant que des conceptions spécifiques de QNN peuvent atteindre une performance compétitive (jusqu'à R² = 0,94) malgré les compromis computationnels inhérents aux simulations de l'ère NISQ.
Cet article introduit QGH-256, un nouvel algorithme de hachage quantique qui génère des empreintes de 256 bits en mappant des messages sur des graphes pondérés sur une grille toroïdale et en utilisant l'Estimation de Phase Quantique pour extraire des caractéristiques spectrales qui capturent à la fois les propriétés structurelles et dynamiques, démontrant une forte sensibilité cryptographique et une faisabilité via des simulations Qiskit.
Cet article présente DDANet, un nouveau réseau de double attention dense (Dense Dual-Attention Network) qui combine des connexions de saut denses et des mécanismes de double attention pour obtenir une délimitation de bordure et une généralisation supérieures dans la segmentation d'images médicales, surpassant les modèles de référence avec des scores élevés d'exactitude, de Dice et d'IoU.
Ce document présente TinyOL-ARLDA, un cadre d'apprentissage incrémentiel léger et embarqué basé sur l'analyse discriminante linéaire régularisée, qui permet une maintenance prédictive basée sur le son en temps réel et indépendante du cloud sur des microcontrôleurs, avec une précision supérieure à 94 % et une empreinte mémoire de moins de 20 Ko.
Ce document propose CGS-RAG, un nouveau cadre qui exploite l'algorithme HDRF pour un partitionnement de communauté personnalisable et un rapport sémantique afin de surmonter les limites des systèmes RAG traditionnels et enrichis par les graphes en équilibrant la cohérence sémantique globale avec une utilisation efficace des ressources dans des scénarios de connaissances dynamiques.
Cet article présente un cadre déterministe et ancré dans des concepts pour l'entraînement sur simulateur de vol qui associe des preuves subsymboliques à des adaptations de scénarios admissibles via une politique d'apprentissage automatique contrainte, garantissant la fiabilité grâce à des garanties de sécurité formelles et démontrant l'efficacité empirique en approximant une politique de référence vérifiée.
Cet article propose un cadre de calcul multimodal qui fusionne la vidéo de la démarche, les signaux inertiels, la pression plantaire et les données de flexion du genou afin de réaliser une évaluation intelligente de haute précision de la fonction du genou et une prédiction des risques d'exercice pour les patients âgés, démontrant une stabilité et une robustesse supérieures par rapport aux modèles de référence existants.