2550 articoli
Questo articolo propone LADMF, un framework unificato che integra il ragionamento su grafi di conoscenza aumentato da LLM con la fusione multimodale disgiunta e l'attenzione causale controfattuale per migliorare significativamente l'accuratezza della previsione della conversione nell'e-commerce e generare spiegazioni leggibili dall'uomo e fedeli.
Questo articolo presenta un'analisi sistematica per livelli dei modelli IndoBERT perfezionati per il rilevamento di disinformazione in lingua indonesiana, rivelando un'evoluzione rappresentativa costante in tre fasi in cui le caratteristiche critiche relative alle fake news vengono formate negli strati intermedi e consolidate negli strati superiori, evidenziando al contempo i distinti ruoli funzionali tra le rappresentazioni [CLS] e quelle ottenute tramite mean-pooling.
Questo articolo propone DLMC_Net, un nuovo framework di deep learning che combina una CNN personalizzata, un modulo di auto-attenzione adattiva e Borderline SMOTE per raggiungere un'accuratezza allo stato dell'arte (99,92%) nella classificazione di malware multi-classe utilizzando immagini di bytecode, superando significativamente i modelli baseline stabiliti.
Questo articolo introduce un framework di agenti generativi che simula e quantifica con successo il fenomeno del "Quiet Quitting", rivelando che, sebbene le strategie di impegno riducano significativamente le intenzioni di turnover, la loro efficacia è criticamente moderata dai tratti di personalità dei dipendenti, stabilendo così un banco di prova computazionale per una gestione delle crisi mirata con precisione.
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.