2354 articoli
AiWebArmor è un nuovo framework di IA ad alto throughput che combina l'analisi semantica basata su ModernBERT con caratteristiche statistiche tramite un classificatore tree-boosting spiegabile per raggiungere un'accuratezza del 99,92% nel rilevamento delle minacce multi-classe e un tasso di falsi positivi dello 0,01% con una latenza inferiore al millisecondo in ambienti web di produzione.
Questo articolo introduce un framework generativo unificato che sfrutta una singola simulazione di intelligenza di sciame, governata da regole di interazione fondamentali, per produrre simultaneamente output diversificati nei domini dell'architettura, dell'arte visiva, della musica e della narrativa attraverso mappature specializzate specifiche per ogni dominio.
Questo articolo propone un framework di credit scoring vincolato alla correttezza utilizzando dati di mobile money che riduce significativamente i divari di approvazione basati sul genere e le violazioni normative mantenendo un'elevata accuratezza, sebbene l'analisi intersezionale riveli che tali vincoli da soli non possono risolvere completamente le disparità socioeconomiche composte che colpiscono le donne a basso reddito.
Il documento introduce CheXficient, un modello di base per radiografie del torace che sfrutta la selezione dei dati guidata dalle rappresentazioni per raggiungere prestazioni competitive in diversi compiti clinici utilizzando solo una frazione dei dati e delle risorse computazionali richiesti dagli approcci tradizionali di preaddestramento su larga scala.
Questo articolo introduce un benchmark condizionato dalla distribuzione che dimostra come le spiegazioni basate sull'attribuzione delle caratteristiche per gli avvisi di intrusione di rete possano migliorare, degradare o lasciare invariata l'utilità delle code di avvisi a seconda delle specifiche distribuzioni delle minacce e delle caratteristiche dei rilevatori, supportando così l'uso del riordinamento consapevole delle spiegazioni e validato localmente come strategia complementare all'ordinamento basato solo sul punteggio.
Questo articolo presenta una validazione sperimentale potenziata che dimostra come il metodo Query-Adaptive Coordinate Ordering ottenga un'accelerazione media di 2,84× nella ricerca k-NN esatta su dataset ad alta dimensionalità mantenendo un richiamo perfetto, con guadagni di prestazioni guidati principalmente dalla correlazione delle caratteristiche piuttosto che dalla dimensionalità nominale.
Questo studio valuta la performance predittiva e la coerenza delle spiegazioni tra i metodi di un classificatore XGBoost su un dataset di malattie cardiache, dimostrando che, sebbene il modello raggiunga un'elevata accuratezza e un accordo da moderato a forte tra i metodi di spiegazione globale (importanza nativa, importanza per permutazione e SHAP), queste dimensioni sono distinte e non garantiscono intrinsecamente la validità clinica.
Questo articolo introduce AmbiGraph-Coref, un modello basato su grafi potenziato con calibrazione della confidenza e un meccanismo esplicito per i casi irrisolvibili che raggiunge prestazioni elevate nella risoluzione della coreferenza ambigua in testi sintetici di social media, sottolineando al contempo la necessità di una futura validazione su dati autentici del mondo reale.
Questo studio sfrutta un dataset su larga scala e un modello di apprendimento automatico consapevole della qualità per distinguere accuratamente i problemi di qualità della riproduzione dal basso interesse dell'utente negli scorrimenti rapidi dei video, ottenendo elevate prestazioni predittive e consentendo l'ottimizzazione mirata delle esperienze di streaming.
Questo articolo introduce il Causal Adjoint Transport (CAT), un metodo di dinamica adiabatica locale del secondo ordine che riduce significativamente il costo computazionale dell'addestramento di reti neurali implicite e ricorrenti in prossimità dei confini di stabilità, richiedendo sensibilmente meno azioni di Jacobiano rispetto al rilassamento del primo ordine e ad altri solver.