929 articoli
Questo articolo introduce l'Elemental Variational Expanse (EVE), un'unità variazionale a livello di neurone che sostituisce le attivazioni nascoste deterministiche con stati latenti campionati dipendenti dall'input per migliorare la predizione probabilistica e fornire diagnostiche misurabili, mantenendo al contempo la compatibilità con le architetture neurali standard.
Questo articolo propone GeoDualNet, il primo codec neurale end-to-end che apprende congiuntamente la predizione del vettore di disparità e la codifica della mappa di profondità attraverso uno spazio latente geometrico unificato caratterizzato da cinque componenti innovativi, ottenendo un risparmio significativo del bitrate e una migliore qualità delle viste sintetizzate rispetto al tradizionale 3D-HEVC e ai codec multiview esistenti basati su apprendimento.
Questo articolo introduce la Modality-Conditional Conformal Prediction (MC²), un metodo che ripristina garanzie di copertura valide e informative per i modelli di diagnosi medica multimodali in presenza di input con modalità mancanti, stratificando la calibrazione in base ai pattern di disponibilità delle modalità senza richiedere il riaddestramento del modello.
Questo articolo presenta l'Enhanced Passive Reader-Writer (EPRW) lock, un adattamento in userspace dell'originale lock PRW che elimina il requisito incompatibile del heartbeat per i datapath in modalità polling, preservando al contempo la scalabilità e aggiungendo funzionalità critiche come l'upgrade, il downgrade e l'acquisizione non bloccante del lock.
Questo articolo propone ICATS, un framework di pianificazione del pensiero autonomo incentrato sulle problematiche (Issue-Centric Autonomous Thinking Scheduling) che consente ai robot in ambienti dinamici di dare priorità all'elaborazione cognitiva interna trattando fattori diversi, come compiti non terminati e rischi emergenti, come problematiche dinamiche, superando così i metodi tradizionali a base fissa in termini di ricompensa ponderata e rilevamento dello stato.
Questo articolo presenta una dashboard interattiva di supporto alle decisioni per il sistema UAC Care, sviluppata utilizzando Python, Streamlit, SQLite e Power BI, che integra il monitoraggio in tempo reale, l'analisi predittiva e la pianificazione di scenari per migliorare la visibilità operativa e il processo decisionale basato sulle evidenze per i gestori dell'assistenza del settore pubblico.
Questo articolo propone RL-Trust RPL, un framework di fiducia adattivo basato sul Reinforcement Learning che mitiga gli attacchi sinkhole nelle reti RPL Multicast monitorando i comportamenti dei nodi, come la consegna dei pacchetti e il consumo energetico, per rilevare e isolare i nodi malevoli, migliorando così la sicurezza del routing e le prestazioni della rete.
Questo articolo propone un framework ibrido di Algoritmo Genetico e Deep Learning che integra un modello ResNet leggero con uno schema di ottimizzazione personalizzato guidato da GA per consentire una selezione dei cluster head rapida ed efficiente dal punto di vista energetico nelle Reti di Sensori Wireless Ricaricabili, ritardando così significativamente la Morte del Primo Nodo e ottenendo prestazioni quasi in tempo reale senza l'overhead iterativo dei metodi euristici tradizionali.
Questo studio propone un framework scalabile, basato sui big data, che utilizza un Trasformer Parallelo Spazio-Temporale (STPT) e tecniche di clustering per prevedere accuratamente gli incidenti stradali e i decessi a Bangkok, consentendo così interventi politici basati su evidenze per migliorare la sicurezza stradale urbana.
Questo articolo propone PHUE, un metodo di ensemble di sottocampionamento progressivo consapevole della difficoltà (hardness-aware) che seleziona dinamicamente i campioni critici della classe maggioritaria vicino al confine di decisione e impiega un'integrazione pesata multi-metrica per superare significativamente gli algoritmi esistenti nella classificazione di dati sbilanciati.