2466 articoli
Questo articolo dimostra che le istruzioni in linguaggio naturale sono fragili di fronte a requisiti operativi nascosti, rivelando che mentre il prompting generico non riesce a soddisfare i vincoli omessi, le prestazioni migliorano significativamente quando tali vincoli vengono esplicitamente elicitati ed eseguiti.
Questo articolo presenta un nuovo framework di decision intelligence aumentato da LLM che integra la quantificazione del rischio basata su FMEA con il ragionamento contestuale di modelli linguistici di grandi dimensioni per ottenere una valutazione del rischio della catena di approvvigionamento in tempo reale, statisticamente significativa e ad alta richiamata, come validato sia da simulazioni parametrizzate che da estesi test empirici sul dataset DataCo Smart Supply Chain.
Questo articolo introduce un nuovo corpus di controargomentazioni diplomatiche derivate dai discorsi dell'Assemblea Generale delle Nazioni Unite (2005–2024) e valuta i modelli linguistici di grandi dimensioni allo stato dell'arte utilizzando strategie di fine-tuning temporalmente allineate per stabilire un benchmark sistematico per la generalizzazione cross-dominio nella generazione di controargomentazioni.
CUPID-Med è un nuovo framework che sfrutta la scoperta di prototipi consapevole dell'incertezza conforme per generare previsioni di cluster a valori d'insieme clinicamente interpretabili con punteggi di confidenza calibrati, superando significativamente i baseline deterministici nella strutturazione di dati di immagini mediche non etichettati.
Questo studio propone un framework di deep learning a due livelli e di tipo teoria dei giochi, spiegabile, che combina SHAP per l'interpretabilità delle caratteristiche e l'equilibrio di Nash per l'analisi dei prezzi competitivi, superando significativamente i modelli tradizionali nella previsione della domanda di affitti a breve termine.
Questo articolo propone un "Smart Learning Estimator" (SLE), un filtro di Kalman aumentato dal deep learning che combina le architetture TGAN, LSTM e RWFNN, il quale migliora significativamente l'accuratezza e la robustezza dei sistemi di navigazione INS/GNSS a basso costo durante proluse interruzioni del segnale GNSS, superando i limiti dei filtri lineari tradizionali.
Questo articolo propone TDF-LSTGBM, una nuova architettura ibrida a due stadi che estrae le caratteristiche temporali dallo strato penultimo di una LSTM impilata e le combina con attributi del consumatore e temporali per un Gradient Boosting Machine, ottenendo un'accuratezza significativamente superiore nella previsione della domanda elettrica della rete intelligente a multi-granularità attraverso cinque categorie di consumatori rispetto ai modelli tradizionali LSTM e ARIMA.
GraphGarment è un framework sim-to-real efficiente dal punto di vista dei dati che combina una rete neurale a grafo addestrata in simulazione con un correttore residuo leggero per prevedere accuratamente la dinamica dei capi d'abbigliamento da una quantità minima di dati reali, consentendo un appendimento robotico dei capi robusto.
Questo studio presenta un framework di deep learning unificato ed esplicabile che integra la classificazione della microstruttura basata su ResNet50 e il rilevamento dei difetti superficiali basato su YOLOv8 con la stima della severità basata su regole per consentire un controllo qualità robusto, interpretabile e automatizzato per la produzione dell'acciaio.
Questo articolo propone un metodo di simulazione a livello di filato che sfrutta i motivi di tessitura per calcolare la diffusione del calore direzionale e i gradienti di contrazione, generando così accuratamente complessi comportamenti di instabilità termica, torsione e rugosità non uniforme nei tessuti che i modelli tradizionali a livello superficiale non riescono a catturare.