2305 articoli
Questo articolo propone SATrans, un nuovo framework temporale basato sull'attenzione che sfrutta segnali fisiologici multimodali e una codifica dinamica guidata da PAD per ottenere una classificazione in tempo reale altamente accurata, robusta e scalabile della gravità della depressione attraverso varie risoluzioni temporali.
Questo articolo propone un nuovo modello di Densità-Adattiva basato su Matrice di Motivi (NDAMM) che sfrutta la fusione di caratteristiche spaziali multi-scala e il pooling temporale piramidale atrous per ottenere un rilevamento automatico accurato, interpretabile ed efficiente di contrazioni atriali e ventricolari premature, superando i metodi esistenti attraverso database pubblici.
Questo articolo propone e valuta una politica basata su sonda, leggera, per la classificazione selettiva su compiti tabulari OpenML che sceglie dinamicamente tra predizioni grezze, scalatura della temperatura e calibrazione di Dirichlet, dimostrando che tale selezione condizionale migliora sia l'accuratezza delle probabilità che la qualità dell'astensione rispetto alla calibrazione universale o all'assenza di calibrazione.
Āyurpadaviśleṣikā è una piattaforma digitale assistita dall'IA che organizza oltre 4.000 voci medicinali provenienti da testi classici sanscriti utilizzando il quadro ayurvedico a cinque elementi per affrontare la frammentazione della conoscenza e migliorare l'accessibilità per utenti diversi attraverso l'elaborazione del linguaggio naturale, la visione artificiale e la curatela esperta.
Questo articolo propone un approccio di apprendimento automatico interpretabile e basato sulle caratteristiche, che utilizza la storia legislativa temporale e strutturale, il quale supera significativamente i baseline esistenti nella previsione degli esiti di approvazione a livello di proposizione nella Camera dei Deputati brasiliana, offrendo strumenti pratici per un monitoraggio legislativo e una trasparenza potenziati.
Questo articolo propone un framework cross-dataset che integra attribuzioni SHAP filtrate da evidenze con feedback di LLM basati su principi pedagogici per generare spiegazioni azionabili e compatibili con gli scenari per la previsione del rischio degli studenti in diversi contesti educativi, dimostrando una maggiore conformità e robustezza attraverso la validazione sia su dataset trasversali che longitudinali.
Il documento introduce EEG-LM, un modello di fondazione che colma il divario tra segnali cerebrali e linguaggio naturale allineando le rappresentazioni EEG con gli embedding di un grande modello linguistico attraverso un apprendimento contrastivo aumentato dalla diffusione, ottenendo così prestazioni allo stato dell'arte, una forte capacità di generalizzazione e un riconoscimento delle emozioni interpretabile su molteplici dataset.
Questo articolo propone E-GCNet, un framework di deep learning ibrido che integra la Normalizzazione Vettoriale Adattiva Min-Max, un Improved Weighted Wrapper-Filter per la selezione delle caratteristiche e un ensemble a soft-voting di Enhanced GoogleNet e Capsule Networks per ottenere un rilevamento dello stato cognitivo altamente accurato e affidabile con una precisione del 97,4%.
Questa revisione sistematica, condotta secondo le linee guida PRISMA 2020, valuta il potenziale di vari algoritmi di deep learning per la diagnosi precoce di malattie croniche, evidenziando al contempo le attuali limitazioni quali la scarsità di dati e l'interpretabilità, e proponendo direzioni future per sviluppare sistemi diagnostici più affidabili e clinicamente utili.
Questo studio presenta un sistema LLM configurabile che utilizza un framework basato su Unità Atomica Minima (MAU) il quale raggiunge un'estrazione dei dati ad alta precisione e tracciabile alla fonte per le meta-analisi, superando significativamente gli approcci non decomposti pur mantenendo un tasso di allucinazione trascurabile in diversi domini clinici.