2456 articoli
Questo articolo identifica e analizza la CVE-2026-0628, una vulnerabilità critica di escalation dei privilegi in Google Chrome's Gemini Live AI side panel che consente alle estensioni con permessi di base di accedere a risorse sensibili a livello di browser, rivelando che il 73,9% delle estensioni analizzate possiede i permessi necessari per sfruttare questa lacuna di sicurezza.
Questo studio dimostra che l'utilizzo di modelli linguistici di grandi dimensioni come assistenti editoriali per perfezionare le risposte scritte dei medici, piuttosto che come generatori autonomi, aumenta significativamente l'empatia percepita preservando al contempo l'accuratezza fattuale, supportato da nuovi parametri quantitativi per valutare sia il tono emotivo che la precisione medica.
Il documento introduce GRACE, un nuovo framework basato su modelli linguistici di grandi dimensioni che affina iterativamente ipotesi ed evidenze per scoprire automaticamente il numero ottimale di sottogruppi clinici in dati eterogenei e multimodali senza richiedere la specifica preventiva del numero di cluster, come validato attraverso coorti di Long COVID e della malattia di Parkinson.
Questa survey sistematizza il panorama frammentato della ricerca autonoma introducendo un framework multi-asse per 56 sistemi e la loro affidabilità delle evidenze, rivelando un divario critico tra la capacità di generare artefatti di ricerca e la mancanza di meccanismi di verifica robusti per difenderli prima del rilascio.
Questo articolo introduce MOGA-NAS, un algoritmo evolutivo multi-obiettivo che bilancia efficacemente le prestazioni predittive e la compattezza del modello per la classificazione di dati tabulari clinici massimizzando simultaneamente gli F1-score e minimizzando il numero di parametri, risultando in modelli significativamente più piccoli con accuratezza superiore o comparabile attraverso cinque benchmark pubblici.
Questo articolo propone uno schema di sicurezza per l'apprendimento federato che combina la crittografia omomorfica di Paillier a soglia con un meccanismo di decrittazione selettiva basato sulla qualità dei dati e firme ECDSA per difendere efficacemente contro attacchi di inferenza e manomissione, migliorando al contempo l'efficienza dell'addestramento di circa il 10%.
Questo articolo presenta un framework di deep learning ibrido che integra strati CNN, Transformer e BiLSTM con una fusione multi-caratteristica per raggiungere prestazioni allo stato dell'arte nel riconoscimento delle emozioni nel parlato attraverso cinque dataset benchmark, dimostrando una robusta generalizzazione e miglioramenti significativi dell'accuratezza rispetto ai baseline esistenti.
Questo studio propone il framework StackPip, un approccio di apprendimento ensemble ibrido che utilizza un classificatore di stacking sul dataset SDSS DR-17, il quale ha raggiunto un'accuratezza del 98% nella classificazione degli oggetti celesti in galassie, stelle e quasar, superando vari modelli di apprendimento automatico individuali.
Il documento propone BayesMem-CD, un framework bayesiano basato sulla memoria che integra l'inferenza probabilistica con la regolarizzazione temporale per ottenere un rilevamento di comunità dinamico consapevole dell'incertezza, bilanciando efficacemente la stabilità rispetto al rumore con la sensibilità ai cambiamenti strutturali genuini.
Il documento presenta AraCoT-Agent, un framework che destilla capacità di ragionamento strutturato in modelli arabi utilizzando un dataset filtrato di alta qualità (AraCoT) e un obiettivo di addestramento pesato tramite ricompensa, ottenendo un miglioramento relativo del 55,7% sul nuovo AraAgent-Bench e riducendo significativamente il divario di ragionamento tra i modelli linguistici di grandi dimensioni arabi e inglesi.