2305 articoli
Questo articolo presenta HoneyMed, un framework di honeypot consapevole dei protocolli per le reti IoMT che simula servizi medici per catturare e classificare gli attacchi in tempo reale utilizzando il machine learning, raggiungendo un'accuratezza del 98,50% con Random Forest e generando al contempo prove pronte per la blockchain senza rischiare gli asset di produzione.
Questo articolo propone un framework interpretabile e privo di addestramento che sfrutta il prompting guidato da criteri e l'apprendimento in-context con i modelli linguistici di grandi dimensioni (LLM) per rilevare la malattia di Alzheimer da trascrizioni vocali manuali, raggiungendo prestazioni allo stato dell'arte sul benchmark ADReSS 2020 pur evidenziando una dipendenza critica da trascrizioni manuali di alta qualità.
Questo articolo propone un framework di apprendimento multi-esperto consapevole della misurazione che sfrutta le annotazioni di più esperti e una funzione di perdita specializzata per migliorare simultaneamente l'accuratezza della segmentazione del complesso intima-media carotideo e la precisione della quantificazione dello spessore su scala millimetrica nelle immagini ecografiche, mitigando efficacemente l'impatto della variabilità inter-operatore.
Questo articolo introduce XGNN-ID, un framework di Graph Neural Network spiegabile che integra un nuovo Selective Validation-Weighted Ensemble con NodeImport Gating (SVW-NG) per affrontare efficacemente lo squilibrio delle classi e migliorare l'interpretabilità del modello attraverso vari dataset grafici.
Questo studio propone un framework unificato, basato sul NLP, per la gestione delle risorse umane che integra reclutamento, analisi del sentiment e strumenti di comunicazione per migliorare l'efficienza e il processo decisionale, pur riconoscendo le significative sfide relative alla privacy dei dati, al pregiudizio algoritmico e alla scalabilità del sistema.
Questo articolo propone un nuovo framework di deep learning multimodale che integra dati EEG, fisiologici da dispositivi indossabili e comportamentali attraverso un sistema di attenzione cross-modale e una personalizzazione adattiva per ottenere una previsione delle crisi epilettiche altamente accurata e precoce con una riduzione dei falsi allarmi.
Questo articolo propone un framework ibrido MCN-MVT che combina le Capsule Networks e i Vision Transformers per ottenere un rilevamento precoce della malattia di Alzheimer ad alta accuratezza e interpretabile, validato da metriche di prestazione superiori e spiegazioni basate su LIME su dati MRI.
Il documento presenta STDN-GEN, un sistema automatizzato che sfrutta agenti basati su grandi modelli linguistici e un vocabolario curato per sintetizzare rapidamente reti di catene di approvvigionamento di materiali critici a quattro livelli e verificabili, migliorando significativamente la riproducibilità e l'efficienza rispetto alla mappatura manuale, pur raggiungendo un'elevata accuratezza nell'identificazione dei componenti e delle dipendenze di produzione.
XTrust-Chain è un framework di rilevamento delle intrusioni multi-livello che combina classificatori ensemble con una metrica di fiducia calibrata e una traccia di audit crittograficamente sicura per consentire un processo decisionale automatizzato ad alta confidenza, garantendo al contempo la verifica immutabile degli avvisi attraverso molteplici dataset di benchmark.
Questo articolo introduce la Closure-Guided Optimization (CGO), un framework per la gestione dei vincoli che utilizza la Feasibility Closure Complexity (FCC) per minimizzare i costi di riparazione strutturale, dimostrando la sua efficacia in scenari in cui le classifiche di violazione divergono dalla reale difficoltà di riparazione, pur riconoscendo che non si tratta di un vantaggio universale rispetto ai metodi esistenti.