3729 articoli
Questo articolo propone tre metodi di reti più profonde — SoftNet, LinNet e AddNet — che utilizzano l'ensemble moltiplicativo di sottoreti con riutilizzo delle caratteristiche, aggregazione lineare ed exit precoci per risolvere efficacemente il modello americano 3D Heston-CIR, mitigando al contempo la scomparsa del gradiente e il degrado delle prestazioni nelle architetture profonde.
Questo articolo introduce GRIDGUARD-AI, un framework agente spiegabile e con intervento umano (human-in-the-loop) che integra l'apprendimento automatico con l'escalation deterministica del rischio per rilevare attacchi informatici non visti nelle smart grid, dimostrando un'elevata garanzia di sicurezza attraverso una rigorosa valutazione con scenari tenuti fuori dal set di addestramento (scenario-held-out), evidenziando al contempo l'attuale necessità di un'estesa revisione umana prima della distribuzione.
Questo articolo analizza i dati sulle prestazioni degli agenti di IA all'avanguardia per rivelare un significativo "gap di affidabilità" in cui la durata del compito che un agente può completare costantemente è circa 2,4 volte più breve del suo orizzonte di capacità media, principalmente perché i fallimenti sono fortemente correlati all'interno di compiti specifici piuttosto che essere casuali, rendendo necessario un passaggio dei parametri di valutazione dalla media del successo agli orizzonti corretti per l'affidabilità per una distribuzione sicura.
Questo articolo introduce FLCHUS-X, un algoritmo di pruning consapevole dei costi per l'estrazione di sequenze frequenti con basso costo medio e alta utilità media, che migliora lo stato dell'arte FLCHUSPM stabilendo un limite inferiore monotono sul costo medio per consentire strategie di pruning più aggressive e sicure, risultando in tempi di esecuzione significativamente più rapidi.
Questo studio valuta l'accuratezza del recupero e la latenza di TF-IDF, BM25, un retriever denso MiniLM quantizzato e la loro fusione per rango reciproco sul benchmark FiQA, riscontrando che, sebbene il modello denso superi significativamente i metodi sparsi, l'approccio di fusione produce solo un miglioramento marginale e statisticamente insignificante rispetto a MiniLM da solo.
In un pilota controllato di VideoGen Model 1, l'espansione creativa dei prompt ha migliorato significativamente la qualità audiovisiva complessiva e i punteggi di allineamento ai prompt rispetto ai prompt grezzi o semplicemente riformattati, in particolare quando valutata dal VA-Judger, mentre la qualità visiva è rimasta ampiamente invariata.
Questo studio progetta e implementa un sistema di agenti AI integrato con l'analisi dei Big Data per prevedere l'efficacia del processo decisionale strategico gestionale, elaborando documenti legali e simulando capacità cognitive per predire i risultati dei Key Performance Indicator (KPI) utilizzando un modello Random Forest Regressor.
Questo articolo presenta un'analisi comparativa di red-teaming di sei modelli linguistici di grandi dimensioni commerciali, rivelando uno spettro di sicurezza distinto nella loro resistenza agli attacchi di prompt injection che spazia dalla conformità allucinata di Grok e dal loop degenerativo di Gemini alla rigorosa applicazione dei confini di Claude, evidenziando così la critica necessità di architetture di conseguenza attive nella progettazione della sicurezza degli LLM.
Questo studio dimostra che l'applicazione di un flusso di lavoro sistematico di data engineering al Cleveland Heart Disease Dataset — specificamente attraverso la selezione d'insieme delle caratteristiche e la rimozione del rumore delle etichette — migliora significativamente la predittività del dataset e ne riduce la complessità, trasformandolo così in una risorsa più affidabile e pronta per l'IA per applicazioni cliniche.
Questo articolo dimostra che il riutilizzo di operazioni GUI registrate come strumenti parametrizzati migliora significativamente i tassi di completamento dei task e riduce le chiamate al modello per gli agenti software rispetto al codice grezzo, evidenziando al contempo la critica necessità di valutare lo stato persistente dell'applicazione e i cambiamenti collaterali per garantire un'esecuzione affidabile del workflow.