974 articoli
Questo articolo propone ADEST-U-Net, un'architettura a doppio encoder che sfrutta il transfer learning cross-organo e cross-modalità da modelli di tumori cerebrali MRI per migliorare significativamente l'accuratezza della segmentazione dei tumori epatici e ridurre i falsi positivi nelle scansioni CT in condizioni di scarsità di dati.
Questo articolo presenta un framework di intelligenza artificiale generativa a cinque agenti che integra l'analisi tecnica, fondamentale e del sentiment con il rilevamento delle anomalie e il ragionamento basato su LLM per fornire previsioni del mercato azionario spiegabili e consapevoli della fiducia per i titoli azionari indiani, raggiungendo un'accuratezza direzionale del 72% e un consenso tra gli agenti del 78%.
Questo articolo presenta un framework software per la gestione antropocentrica delle assegnazioni in contesti educativi dell'Industria 5.0 che integra l'ottimizzazione consapevole del cronotipo, la ponderazione adattiva dei criteri e il supporto decisionale intelligente per migliorare significativamente la qualità dei programmi, il benessere degli studenti e i risultati accademici, garantendo al contempo l'equità tra tutti i gruppi di partecipanti.
Questo articolo presenta l'AgileOps Agentic Framework (AAF), un sistema multi-agente di supporto alle decisioni che integra il ragionamento specializzato in ambito DevOps, SRE, FinOps e DevSecOps con un'analisi spiegabile e basata su prove per aiutare i Project Manager nell'interpretazione della telemetria operativa frammentata in raccomandazioni di governance azionabili, validate attraverso scenari controllati e benchmark di microservizi reali.
Questo articolo introduce SWIFT, un framework white-box e privo di gradienti che inietta chirurgicamente vettori di guida sparsi nei profondi strati critici dei Large Language Models allineati per ripristinare le capacità soppresse con alta auditabilità, revertibilità e località, raggiungendo quasi le prestazioni del fine-tuning supervisionato completo in meno di 10 secondi pur modificando meno dell'1% dei parametri.
Questo articolo propone LADMF, un framework unificato che integra il ragionamento su grafi di conoscenza aumentato da LLM con la fusione multimodale disgiunta e l'attenzione causale controfattuale per migliorare significativamente l'accuratezza della previsione della conversione nell'e-commerce e generare spiegazioni leggibili dall'uomo e fedeli.
Questo articolo presenta un'analisi sistematica per livelli dei modelli IndoBERT perfezionati per il rilevamento di disinformazione in lingua indonesiana, rivelando un'evoluzione rappresentativa costante in tre fasi in cui le caratteristiche critiche relative alle fake news vengono formate negli strati intermedi e consolidate negli strati superiori, evidenziando al contempo i distinti ruoli funzionali tra le rappresentazioni [CLS] e quelle ottenute tramite mean-pooling.
Questo articolo propone DLMC_Net, un nuovo framework di deep learning che combina una CNN personalizzata, un modulo di auto-attenzione adattiva e Borderline SMOTE per raggiungere un'accuratezza allo stato dell'arte (99,92%) nella classificazione di malware multi-classe utilizzando immagini di bytecode, superando significativamente i modelli baseline stabiliti.
Questo articolo introduce un framework di agenti generativi che simula e quantifica con successo il fenomeno del "Quiet Quitting", rivelando che, sebbene le strategie di impegno riducano significativamente le intenzioni di turnover, la loro efficacia è criticamente moderata dai tratti di personalità dei dipendenti, stabilendo così un banco di prova computazionale per una gestione delle crisi mirata con precisione.
Questo articolo dimostra che le istruzioni in linguaggio naturale sono fragili di fronte a requisiti operativi nascosti, rivelando che mentre il prompting generico non riesce a soddisfare i vincoli omessi, le prestazioni migliorano significativamente quando tali vincoli vengono esplicitamente elicitati ed eseguiti.