964 articoli
Questo articolo propone un framework leggero denominato Dual-Attention EEGNet basato sull'estrazione di caratteristiche spazio-temporali profonde (CSFE-DAE) che combina i Common Spatial Patterns con meccanismi di doppia attenzione per raggiungere un'accuratezza allo stato dell'arte del 97,59% nella rilevazione della malattia di Parkinson su segnali EEG.
Questo studio ha utilizzato un modello di sviluppo Four-D per creare e validare un sistema di gestione dell'apprendimento basato sull'IA per le scuole primarie, che gli esperti hanno ritenuto altamente fattibile ed efficace nel potenziare le capacità di pensiero computazionale degli studenti, in particolare nella decomposizione, l'astrazione e gli algoritmi.
Questo articolo propone una Rete Neurale Ibrida Quantistico-Classica Adattiva alle Caratteristiche (FAF-HQNN) che pesa dinamicamente le predizioni classiche e quantistiche per ottenere un'accuratezza superiore e robustezza contro il rumore nei compiti di classificazione di immagini biomediche.
Il documento propone ACDGRec, un modello di raccomandazione robusto che integra l'addestramento avversario e l'apprendimento contrastivo in una rete neurale a grafi basata sulla diffusione per affrontare efficacemente la scarsità dei dati, i problemi di cold-start e l'instabilità dell'input catturando le correlazioni latenti del contesto dell'utente.
Questo articolo propone un framework NDN-aware di Multi-Agent Deep Deterministic Policy Gradient (MADDPG) cooperativo che sfrutta l'apprendimento decentralizzato e rappresentazioni di stato specializzate per mitigare efficacemente gli attacchi di Cache Pollution nel Named Data Networking, dimostrando un'efficienza della cache superiore, una convergenza più rapida e una resilienza potenziata rispetto agli approcci single-agent e convenzionali.
Questo articolo propone un framework denominato Linear Mapping-Enhanced Proximal Policy Optimization (LME-PPO) che sfrutta il deep reinforcement learning per ottimizzare il bilanciamento dinamico del carico e ridurre la latenza di sistema negli ambienti di edge computing delle smart city, mappando efficacemente spazi di task complessi e garantendo l'equilibrio computazionale tra i server edge.
Questo articolo propone un framework di apprendimento per rinforzo multi-agente con incentivi basati sulla teoria dei giochi per raggiungere il consenso tra partecipanti autonomi e in fase di apprendimento di una blockchain, dimostrando che le policy convergono verso equilibri equi e tolleranti agli avversari, identificando al contempo specifiche limitazioni architettoniche e perfezionando le garanzie teoriche di convergenza.
Questo studio utilizza i Modelli di Equazioni Strutturali per dimostrare che, sebbene la consapevolezza della cybersicurezza e la alfabetizzazione digitale guidate dall'IA promuovano significativamente l'adozione di sistemi di cybersicurezza basati sull'IA, la fiducia in tali sistemi non influenza direttamente l'intenzione comportamentale, evidenziando la critica necessità per le organizzazioni di dare priorità allo sviluppo della consapevolezza della cybersicurezza e dell'alfabetizzazione digitale rispetto al solo consolidamento della fiducia.
Questo articolo introduce DustFormer, un framework encoder-decoder basato sul deep learning che esegue simultaneamente la segmentazione della polvere e la stima della densità in immagini RGB, raggiungendo un'elevata accuratezza e robustezza per applicazioni di monitoraggio ambientale, agricoltura di precisione e sensori intelligenti.
Questo articolo propone un metodo di esecuzione simbolica diretta potenziato da strategie di simbolizzazione automatica e di limitazione dei cicli per verificare efficientemente la fattibilità dei percorsi del flusso di controllo interprocedurale, dimostrando una recall e una precisione superiori rispetto a strumenti esistenti come KLEEF quando applicato a progetti reali e all'integrazione con l'analisi statica.