1062 articles
Cette recherche propose un cadre d'apprentissage automatique qui exploite les méthodes d'ensemble et l'IA explicable pour prédire les défaillances d'entrepôts de données jusqu'à 15 minutes à l'avance en analysant les métriques du système, réduisant ainsi le temps d'arrêt grâce à la détection proactive d'anomalies et à l'analyse automatisée des causes racines.
À travers une investigation approfondie par la méthode de Monte Carlo, cet article démontre que si la taille de l'échantillon d'entraînement est le principal moteur de la fidélité de l'attribution SHAP, les traitements courants du déséquilibre des classes faussent souvent les classements et les magnitudes des caractéristiques, amenant les auteurs à recommander d'éviter le rééquilibrage au profit de la pondération des classes lorsque l'interprétabilité SHAP est une priorité.
Cet article introduit CLHA, une méthode d'agrégation de Hessian inter-couches pour la quantification post-entraînement des transformeurs de type Mixture-of-Experts à poids partagés qui minimise l'erreur de reconstruction totale en combinant les statistiques de Hessian à travers les couches partagées, surpassant de manière significative les approches de calibration par couche existantes tout en traitant également les pièges critiques d'implémentation dans l'estimation de Hessian.
Cet article introduit l'Agentic Annotation Language (AAL), un nouveau système d'annotation en bande qui permet l'injection de contexte juste-à-temps pour les agents autonomes, réduisant considérablement la consommation de jetons et la pollution du contexte par rapport aux fichiers de règles globaux traditionnels tout en maintenant une conformité élevée avec les contraintes spécifiques au domaine.
Cet article présente la première étude de généralisation trans-jeux de données pour la détection de fausses nouvelles en urdu, révélant qu'un modèle entraîné sur le jeu de données Ax-to-Grind échoue de manière catastrophique lorsqu'il est appliqué au jeu de données Notri-Fact en raison d'un biais systématique de longueur dans les données d'entraînement qui induit un apprentissage par raccourcis, mettant ainsi en évidence des failles critiques dans les pratiques actuelles de construction et d'évaluation de jeux de données pour le TAL à faibles ressources.
L'article présente le Cascade Progressive Distilled Network (CPDN), un nouveau cadre d'apprentissage profond qui exploite la distillation de connaissances à partir d'un enseignant CatBoost pour surmonter les problèmes de stagnation de l'optimisation et de non-différentiabilité, atteignant des performances de classification de pointe sur des données tabulaires hétérogènes.
Cet article démontre qu'une approche d'entraînement centralisé avec exécution décentralisée (CTDE) utilisant QMIX surpasse significativement l'apprentissage Q indépendant (IQL) et les bases non-RL dans la coordination de la recharge des véhicules électriques au sein des villes intelligentes, en atteignant des taux d'acceptation et des probabilités de succès plus élevés tout en gérant efficacement l'observabilité partielle et la dynamique du trafic.
Cette revue systématique de 445 études récentes (2024–2026) identifie les hybrides CNN-Mamba comme l'architecture la plus efficace pour l'imagerie médicale en raison de leur complexité computationnelle linéaire, tout en soulignant des défis critiques tels que la perte d'informations spatiales et la consommation de mémoire qui doivent être adressés par des blocs 3D natifs pour permettre l'intégration clinique.
Cet article propose et évalue un cadre de détection d'intrusion hybride qui combine l'apprentissage supervisé (Random Forest et XGBoost) avec un modèle de détection d'anomalies basé sur un autoencodeur LSTM sur des ensembles de données alignés de l'IoT et du cloud, démontrant que si cette approche améliore considérablement la robustesse de la détection et le rappel pour les attaques inconnues, elle nécessite un compromis avec une augmentation des faux positifs et une précision réduite.
Ce document propose YOLOv10n-FBD, un modèle léger de détection de la maturité des tomates cerises qui intègre la fusion de caractéristiques CCFM, l'attention PSA-BiFormer et une stratégie C2f-Dual pour atteindre une haute précision (94,3 % mAP) et une vitesse élevée (369 FPS) tout en réduisant considérablement la taille du modèle et la complexité computationnelle par rapport aux méthodes existantes.