Articles dont les auteurs originaux ont examiné notre explication accessible.
Pour chaque article de cette page, au moins un des auteurs originaux a examiné notre explication accessible — soit en confirmant sa précision, soit en demandant des corrections que nous avons ensuite appliquées. Une validation ne signifie pas que les auteurs approuvent formellement chaque phrase, mais que l'explication a été revue par les personnes qui ont écrit l'article.
607 articles vérifiés par les auteurs · 341–350 / 607
Cet article établit mathématiquement des lois d'échelle et des taux de change pour quantifier la valeur des données cérébrales dans l'amélioration des modèles d'apprentissage automatique, en identifiant des conditions spécifiques concernant l'alignement tâche-cerveau, le bruit et les tailles d'échantillon où la collecte d'enregistrements neuronaux est bénéfique pour la performance et la robustesse.
L'article présente FairHealth, une bibliothèque Python open source conçue pour combler les lacunes critiques de l'IA en santé dans les contextes à faibles ressources en offrant un cadre unifié et modulaire intégrant l'audit d'équité, l'apprentissage fédéré préservant la vie privée, l'explicabilité à faible bande passante et des outils spécialisés pour les ensembles de données du Sud global.
Ce papier propose un modèle non analytique démontrant que le pic de Boson dans les solides amorphes provient exclusivement des fluctuations des nombres de coordination, tandis que les fluctuations de la rigidité des ressorts contribuent principalement uniquement à l'amortissement.
Cet article présente une famille de codes de correction d'erreurs quantiques non-CSS tolérants aux pannes, générés via des états de graphe et la méthode à ancilla nue, démontrant leur résilience face aux erreurs de crochet et leurs performances supérieures par rapport aux approches existantes à qubit drapeau et à ancilla nue sous divers modèles de bruit.
Cette étude compare les observations d'émission-absorption du Hi 21 cm des relevés GWA et LAB aux simulations numériques TIGRESS pour déterminer que le milieu interstellaire neutre est composé d'environ 19,8 % de phases froides, 32,5 % de phases instables et 47,8 % de phases chaudes, une distribution qui s'aligne sur les résultats des simulations et souligne la nécessité de futures observations radio sensibles pour mieux contraindre ces fractions de gaz.
Cet article présente la Mécanique Lagrangienne de Wasserstein (WLM), un cadre et un algorithme novateurs qui apprennent la dynamique des populations d'ordre deux à partir d'instants temporels en minimisant une action amortie, surmontant ainsi les limites des flux de gradient pour modéliser avec précision des comportements complexes tels que la périodicité, la dynamique des tourbillons et le vol en formation.
Cet article présente un échantillon sélectionné de manière uniforme de 930 noyaux galactiques actifs de trous noirs de masse intermédiaire issus du SDSS DR17, étendant la couverture en décalage vers le rouge des AGN de faible masse jusqu'à et révélant une évolution cosmique potentielle de l'activité d'accrétion caractérisée par une diminution des taux d'accrétion et des luminosités maximaux à des décalages vers le rouge plus faibles.
Cet article présente un Réseau Antagoniste Génératif (GAN) basé sur U-Net, entraîné sur des simulations réalistes de type Planck, qui reconstruit avec succès des cartes du Fond Diffus Cosmologique de haute fidélité en éliminant simultanément la contamination des avant-plans, le bruit instrumental et les effets de convolution du faisceau, avec des erreurs de reconstruction inférieures à 1 % en dehors de la région galactique.
Ce papier propose et valide le paradigme « Agent-First Tool API », qui remplace les interfaces CRUD traditionnelles orientées humain par un protocole sémantique à six verbes et des métadonnées structurées d'aide à la décision afin d'améliorer significativement les taux de réussite des tâches des agents autonomes et la récupération des erreurs dans les systèmes de production d'entreprise.
Le papier propose le Plackett-Luce contextuel (CPL), un modèle neuronal efficace qui combine un score parallèle avec un processus de sélection autoregressif léger pour traiter efficacement des tâches de prédiction de séquences ambiguës et multimodales tout en maintenant une efficacité computationnelle.