1062 articoli
Il documento introduce la Cascade Progressive Distilled Network (CPDN), un nuovo framework di deep learning che sfrutta la distillazione della conoscenza da un insegnante CatBoost per superare i problemi di stagnazione dell'ottimizzazione e di non differenziabilità, raggiungendo prestazioni di classificazione allo stato dell'arte su dati tabulari eterogenei.
Questo articolo dimostra che un approccio di addestramento centralizzato con esecuzione decentralizzata (CTDE) utilizzando QMIX supera significativamente l'independent Q-learning (IQL) e i baseline non-RL nel coordinamento della ricarica dei veicoli elettrici all'interno delle smart city, raggiungendo tassi di accettazione e probabilità di successo più elevati gestendo efficacemente l'osservabilità parziale e le dinamiche del traffico.
Questa revisione sistematica di 445 studi recenti (2024–2026) identifica gli ibridi CNN-Mamba come l'architettura più efficiente per l'imaging medico grazie alla loro complessità computazionale lineare, evidenziando al contempo sfide critiche come la perdita di informazioni spaziali e il consumo di memoria che devono essere affrontati attraverso blocchi 3D nativi per consentire l'integrazione clinica.
Questo articolo propone e valuta un framework di rilevamento delle intrusioni ibrido che combina l'apprendimento supervisionato (Random Forest e XGBoost) con un modello di rilevamento delle anomalie basato su un LSTM Autoencoder su dataset allineati di IoT e cloud, dimostrando che, sebbene questo approccio migliori significativamente la robustezza del rilevamento e il richiamo per gli attacchi non visti, esso richiede un compromesso con l'aumento dei falsi positivi e una riduzione della precisione.
Questo articolo propone YOLOv10n-FBD, un modello leggero per il rilevamento della maturazione dei pomodori ciliegino che integra la fusione delle caratteristiche CCFM, l'attenzione PSA-BiFormer e una strategia C2f-Dual per raggiungere un'elevata precisione (94,3% mAP) e velocità (369 FPS), riducendo significativamente la dimensione del modello e la complessità computazionale rispetto ai metodi esistenti.
Questo studio propone un sistema di riconoscimento vocale basato su LSTM per la lingua assamese a basse risorse, utilizzando un dataset auto-curato e caratteristiche acustiche ibride per raggiungere un'accuratezza del 95%, evidenziando al contempo le sfide poste dalle somiglianze fonetiche tra le vocali.
Questo articolo propone un algoritmo basato sul contesto visivo e sul campo ricettivo spaziale che integra la modellazione dello stato residuo, i vettori di guida e l'attenzione deformabile multi-scala per ripristinare efficacemente gli affreschi di Dunhuang, affrontando l'oblio dei pixel locali e l'insufficiente percezione spaziale, migliorando così significativamente le metriche di qualità del ripristino.
Questo articolo propone un framework Deep Cross Neural Network (DCNN) che raggiunge un'accuratezza del 98,4% nel rilevamento di Hardware Trojan furtivi in circuiti VLSI basati su FPGA, estraendo e correlando caratteristiche strutturali e funzionali, offrendo una soluzione affidabile che riduce la dipendenza dai modelli di riferimento golden.
Questa revisione sistematica di 104 studi rivela che la ricerca sull'accessibilità digitale è dominata da strumenti automatizzati e concentrata nei settori dell'istruzione e del governo, creando un "gap tra valutazione e azione" in cui la convenienza metodologica e il pregiudizio settoriale hanno sostituito gli approcci centrati sull'utente e non sono riusciti a risolvere le persistenti barriere di accessibilità nell'ultimo decennio.
Il documento introduce OntoLearner, un framework modulare open-source che unifica l'accesso alle ontologie, le pipeline di apprendimento guidate da LLM e il benchmarking standardizzato attraverso 22 domini, rivelando che il principale collo di bottiglia nell'apprendimento delle ontologie sia un disallineamento strutturale tra la codifica della conoscenza del modello e l'organizzazione ontologica piuttosto che la capacità del modello stesso.