929 articoli
Questo articolo introduce un descrittore Heisenberg-lift leggero e sensibile all'ordine, caratterizzato da un'area orientata terminale e da un'estensione a quindici dimensioni, che migliora significativamente l'accuratezza del riconoscimento della scrittura a mano online catturando le informazioni sulla direzione di percorrenza del tratto che i descrittori euclidei tradizionali trascurano.
Questo studio valuta l'affidabilità dei metodi di spiegazione LIME, Parzen e Greedy su modelli di classificazione di testi e immagini religiose, riscontrando che LIME supera costantemente gli altri nell'identificare caratteristiche inaffidabili all'interno dei vincoli specifici del dataset testuale binario e del limitato ambito delle immagini.
Questo articolo introduce uno schema di suddivisione interpolativa adattiva che apprende gli angoli di inserzione locali tramite un predittore compatto per bordo, per superare i baseline a tensione fissa in termini di accuratezza e fluidità attraverso geometrie euclidee, sferiche e iperboliche, preservando al contempo la garanzia che le curve raffinate passino attraverso i punti di controllo originali.
Questo articolo presenta X-WAF, un framework di apprendimento automatico ibrido che combina un insieme di classificatori con la spiegabilità guidata da SHAP per ottenere un rilevamento ad alta precisione e bassa latenza di attacchi web zero-day, traducendo automaticamente gli approfondimenti in regole ModSecurity azionabili per un'integrazione fluida nelle infrastrutture di sicurezza esistenti.
Questo articolo introduce StrokeID-NER, un dataset indonesiano di pubblico dominio composto da 1.742 query sanitarie generate dai pazienti e annotate per entità nominate relative all'ictus, il quale è stato utilizzato per dimostrare che i modelli transformer sottoposti a fine-tuning superano significativamente i baseline zero-shot nel riconoscimento di terminologie mediche informali e regionali, evidenziando al contempo che i futuri miglioramenti delle prestazioni dipendono principalmente dall'espansione della copertura lessicale piuttosto che dall'architettura del modello.
Questo studio introduce un framework di IA Agente scalabile e fondato sulla teoria che valuta rigorosamente la credibilità delle dichiarazioni aziendali in materia di SDG rispetto a una rubrica a cinque dimensioni, rivelando che, sebbene la maggior parte delle comunicazioni sia parzialmente sostanziosa, le imprese spesso sottostimano il proprio effettivo impegno in termini di sostenibilità.
Questo studio propone un framework Mask R-CNN migliorato, potenziato dall'equalizzazione dell'istogramma e dall'ottimizzatore Adam per raggiungere un mAP del 90,4% nel rilevamento e nella segmentazione delle istanze di buche stradali, superando significativamente il modello baseline per il monitoraggio intelligente delle strade.
Questo articolo dimostra che i modelli di diffusione probabilistica di denoising (DDPM) condizionati alla classe mitigano efficacemente il grave squilibrio di classe nella manutenzione predittiva sintetizzando campioni ad alta fedeltà della classe minoritaria, superando significativamente i metodi di aumento tradizionali come SMOTE e le GAN nel rilevare guasti industriali rari.
Questo articolo introduce la Causal Retrieval-Augmented Generation (CR-RAG), un framework che modella la pipeline RAG come un Modello Causale Strutturale per mitigare le correlazioni spurie e ridurre le allucinazioni attraverso l'aggiustamento del backdoor, il riponderamento dell'inverso della propensione e l'aumento dei dati controfattuali, ottenendo guadagni di prestazioni significativi su benchmark intensivi di conoscenza, in particolare per domande a coda lunga.
Questo articolo propone un nuovo framework di diffusione per il restauro di immagini che impiega una modellazione interattiva di determinismo e stocasticità per adattarsi efficacemente ai requisiti eterogenei di diversi compiti di degradazione, ottenendo prestazioni e interpretabilità superiori in molteplici scenari di restauro.