2456 articoli
Questo articolo propone il modello APT-VFSEA, che utilizza insiemi fuzzy variabili per valutare quantitativamente l'efficacia degli attacchi e delle difese contro le minacce persistenti avanzate (APT) affrontando la loro inerente incertezza e complessità, con una validazione sperimentale che ne dimostra l'accuratezza rispetto a scenari reali.
Questo studio propone un metodo di selezione adattiva per i parametri dell'algoritmo MICE basato sugli indicatori della funzione polmonare, dimostrando che tale strategia supera l'interpolazione PCHIP nel mantenere una prestazione predittiva stabile e nel catturare efficacemente le correlazioni multivariate in dataset COPD con tassi di dati mancanti variabili.
Questo articolo introduce il framework Oversight-to-Control (O2C), un modello socio-tecnico composto da sei funzioni e condizioni di supporto, per diagnosticare perché la supervisione umana spesso non riesce a raggiungere un controllo efficace nei sistemi di IA ad alto rischio, analizzando gli strumenti normativi e i casi reali in cui l'interpretazione e l'intervento tempestivo falliscono frequentemente.
Questo articolo propone AJIT, un framework ibrido classico-quantistico ad alta fedeltà che garantisce la condivisione sicura e l'autenticazione multiparte di immagini mediche DICOM, resistenti agli attacchi quantistici, combinando la compressione basata su DTCWT, lo scrambling unitario quasi-periodico e la verifica tramite ipergrafo topologico per ottenere una ricostruzione senza perdita e una robusta resistenza differenziale.
Questo studio introduce il framework Cross-Market Retrieval-Augmented Lag-Llama (CM-RAF-Lag-Llama), dimostrando che l'integrazione del recupero storico con un modello pre-addestrato Lag-Llama riduce significativamente gli errori di previsione in diversi mercati azionari sfruttando finestre storiche analoghe per correggere le predizioni, in particolare per i target relativi a volatilità e volumi.
Il documento propone CFE-UNet, un nuovo framework di segmentazione semantica per il telerilevamento che integra un encoder ricostruttivo con un decoder Cross-Feature Exchange per combinare efficacemente il contesto globale e i dettagli locali, raggiungendo prestazioni state-of-the-art in scene urbane e naturali complesse ed eterogenee.
Questo articolo dimostra che in contesti oncologici multimodali ristretti con dati limitati ed eterogenei, l'organizzazione dell'evidenza-ruolo verificabile — che assegna ruoli specifici e compatti agli input molecolari, fenotipici e clinici — è un determinante più critico della performance di trasferimento cross-dominio rispetto al semplice aumento della scala di rappresentazione.
Questo studio propone una metodologia basata su GraphRAG per la meta-analisi automatizzata della letteratura sulla Stimolazione Magnetica Transcranica (TMS), la quale utilizza il chunking basato sul titolo, la costruzione di grafi di conoscenza a livello di articolo e il recupero ibrido per ottenere un'estrazione dei parametri ad alta precisione e ridurre significativamente il tempo richiesto per la sintesi delle evidenze.
StructFix è un framework di riparazione automatica dei programmi consapevole della struttura che potenzia i modelli di linguaggio mascherati integrando i Code Property Graph per catturare meglio le dipendenze di controllo e di dati, migliorando così l'efficacia della riparazione e la robustezza cross-linguaggio rispetto agli approcci esistenti basati su sequenze di token.
Il documento propone FedVIB–AGP, un framework di riparazione post-aggregazione per l'apprendimento federato che combina la regolarizzazione del Variational Information Bottleneck durante l'addestramento con l'Activation-Gap Pruning durante la riparazione per sopprimere efficacemente gli attacchi backdoor distribuiti pur mantenendo un'elevata accuratezza nel compito pulito.