974 articoli
Il documento presenta SPIDER-WEB, un framework di codifica all-in-one che consente il recupero dei dati in tempo reale e in modo concorrente durante il sequenziamento del DNA, ottenendo guadagni di efficienza fino a 9.083 volte rispetto ai metodi convenzionali e dimostrando prestazioni di livello compact-disc con un rendering video completato con successo in meno di 100 secondi.
Questa revisione sistematica analizza gli esistenti framework di sicurezza IoT per i sistemi di sanità digitale, rivelando che, sebbene le soluzioni attuali affrontino spesso aree discrete, esse mancano di un'integrazione completa, e identifica elementi chiave come la valutazione delle vulnerabilità, la modellazione delle minacce e l'IA come essenziali per lo sviluppo di meccanismi di difesa robusti e proattivi.
Questo articolo presenta uno studio di ablazione sistematico sull'adattamento di TrOCR per il riconoscimento di testi manoscritti medievali, dimostrando che specifiche strategie di congelamento dei livelli e la rimozione della normalizzazione del contrasto possono raggiungere un'accuratezza competitiva su piccoli dataset storici, fornendo al contempo validazione cross-dataset e approfondimenti sull'interpretabilità.
Questo studio propone un framework di deep learning utilizzando il dataset UNSW-NB15 per l'individuazione delle intrusioni di rete e la classificazione multi-classe degli attacchi, dimostrando che un'architettura RNN-LSTM supera i modelli ANN e CNN raggiungendo un'accuratezza del 97,42% attraverso tecniche ottimizzate di pre-elaborazione dei dati e bilanciamento delle classi.
Questo articolo dimostra che modelli di apprendimento automatico interpretabili, addestrati su caratteristiche di protocollo pubbliche di ClinicalTrials.gov, possono prevedere accuratamente la probabilità di successo tecnico e regolatorio per i trial di piccole molecole, superando i benchmark standard e offrendo uno strumento riproducibile per la valutazione corretta per il rischio.
Il documento propone SupCon-Mamba, un framework di rilevamento di target iperspettrali few-shot che integra un meccanismo di codifica del contesto locale, un modulo Mamba piramidale per una modellazione spettrale multi-scala efficiente e l'apprendimento contrastivo supervisionato per eliminare i falsi negativi e ottenere prestazioni di rilevamento superiori con un numero minimo di campioni etichettati.
LGAgent è un framework multi-agente strutturato e guidato da regole che sfrutta le interazioni collaborative tra LLM di diverse scale per imitare i flussi di lavoro professionali legali, fornendo così un ragionamento giudiziario interpretabile, verificabile e superiore rispetto agli approcci standard a modello singolo.
Questo articolo introduce AIMAPP, un framework auto-supervisionato e compatibile con ROS che unifica la mappatura, la localizzazione e la pianificazione online per robot autonomi in ambienti sconosciuti, sfruttando l'Inferenza Attiva per costruire dinamicamente mappe topologiche sparse e bilanciare l'esplorazione con la navigazione orientata agli obiettivi senza fare affidamento su mappe predefinite o pre-addestramento.
Questo articolo propone un motore di previsione ibrido per il Bitcoin che integra la decomposizione del segnale a doppio strato guidata dall'Entropia di Permutazione (CEEMDAN-VMD) con una Rete Neurale Profonda ottimizzata tramite Multi-Swarm Optimization, dimostrando una performance statisticamente superiore in termini di accuratezza e previsione direzionale rispetto ai modelli baseline e alle alternative a singolo swarm.
Questo articolo propone un algoritmo di apprendimento federato all'edge consapevole del contributo (CA-FE-MADDPG) che integra la modellazione dell'interferenza spaziale, meccanismi di penalità granulari e l'inizializzazione guidata dall'euristica per affrontare l'interferenza di spettro, l'allocazione non equa del credito e la non stazionarietà ambientale nelle reti IoT massive, migliorando così significativamente il throughput del sistema, i tassi di accesso e la qualità del servizio.