2456 articoli
DIT è un protocollo di autenticazione decentralizzato e post-quantistico che elimina la tradizionale gerarchia delle CA ancorando le identità di dominio in chiavi ML-DSA-65 verificate tramite DNSSEC e utilizzando un handshake ibrido X25519MLKEM768 con log di trasparenza Merkle per fornire una fiducia efficiente e revocabile senza autorità di certificazione centralizzate.
Questo articolo propone un framework di fusione a tripla memoria guidato dall'incertezza che sfrutta il Mamba probabilistico per quantificare l'incertezza del movimento e fondere dinamicamente le memorie di movimento, aspetto e categoria, raggiungendo prestazioni allo stato dell'arte nel tracciamento multi-oggetto robusto attraverso scene dinamiche complesse.
Questo articolo propone uno schema di cifratura di immagini in scala di grigi che combina una S-box generata da una trasformazione frazionaria cubica con una mappa logistica per eseguire sostituzione, diffusione e scrambling basato su XOR, dimostrando una sicurezza robusta attraverso analisi statistiche e di sensibilità della chiave complete.
Questo studio propone un framework di IA completo per la produzione farmaceutica che integra la modellazione predittiva con l'esplicabilità, l'equità, la calibrazione, il monitoraggio del drift e la tracciabilità normativa per garantire decisioni di governance della qualità pronte per l'audit e difendibili.
Questo studio dimostra che un modello di deep learning leggero YOLO11n può raggiungere un'accuratezza quasi perfetta nella classificazione automatica dei metodi di lavorazione del cetriolo di mare essiccato (salatura, affumicatura e arrostimento) da immagini di oggetti densi, offrendo un'alternativa robusta e non distruttiva all'ispezione manuale soggettiva per la valutazione della qualità.
Questo articolo propone SGMS-DTDNet, una rete di distillazione a doppio docente multi-scala guidata dalla semantica che integra la semantica specifica del dominio, i priori strutturali e la selezione adattiva delle caratteristiche per raggiungere prestazioni allo stato dell'arte nel rilevamento unificato di anomalie mediche e industriali, superando sfide quali la scarsità di campioni anormali e le morfologie eterogenee dei difetti.
Questo studio dimostra che le strategie di fine-tuning efficiente nei parametri (PEFT), come il fine-tuning parziale e BitFit, superano il fine-tuning completo nei modelli di fondazione per elettrocardiogrammi migliorando significativamente la generalizzabilità e riducendo l'overfitting, in particolare su dati fuori dominio e in scenari con risorse limitate.
Questo articolo introduce un framework guidato da vincoli che ripara le reti neurali distribuite localizzando i pesi rilevanti per il guasto tramite DeepSHAP, raccogliendo vincoli simbolici attraverso il testing concolico e ottimizzando gli aggiornamenti con Max-SMT, dimostrando attraverso estesi esperimenti che l'esplorazione sistematica dello spazio di progettazione rivela strategie di riparazione critiche — come le modifiche basate solo sul bias — che riducono significativamente le vulnerabilità avversarie e dei backdoor preservando al contempo la fedeltà del modello.
Questa revisione sistematica di 32 studi (2022–2025) identifica quattro architetture ibride di Reinforcement Learning e Metaeuristiche per la pianificazione del percorso di UAV indipendenti, riscontrando che, sebbene tali framework migliorino l'adattabilità e la convergenza, la loro prontezza per il mondo reale è attualmente limitata da una completa mancanza di validazione su hardware fisico, riproducibilità del codice e test statistici rigorosi.
Questo articolo propone un framework AIOps integrato che combina il punteggio del rischio predittivo basato su XGBoost, il rilevamento delle anomalie guidato da autoencoder e la rimedio automatizzato basato su Random Forest per mitigare proattivamente i fallimenti del deployment e ridurre significativamente il tempo medio di ripristino (MTTR) negli ambienti CI/CD.