1013 articoli
Questo articolo introduce Res6-Deep11, un nuovo modello di ricostruzione di immagini non supervisionato che rileva e segmenta efficacemente le fuoriuscite di petrolio nelle immagini SAR senza richiedere etichette di verità fondamentale a livello di pixel, ottenendo prestazioni superiori rispetto ai metodi allo stato dell'arte con un F1-score del 77,33%.
Questo articolo introduce DTap, la prima piattaforma di red-teaming controllabile e interattiva per gli agenti IA, che include un agente di red-teaming autonomo (DTap-Red) e un benchmark su larga scala (DTap-Bench) per valutare e svelare sistematicamente le vulnerabilità di sicurezza in 14 domini del mondo reale.
Questo articolo presenta un framework scalabile per l'operazionalizzazione dell'IA affidabile in ambito sanitario attraverso l'utilizzo di un Albero Decisionale di Analisi degli Errori e di nuove innovazioni metodologiche per scoprire i fallimenti nei sottogruppi nascosti e mitigare i bias, traducendo così i principi astratti di equità in obiettivi ingegneristici verificabili che garantiscano la conformità con regolamentazioni come l'AI Act dell'UE.
Questa revisione sistematica di 154 studi (2021–2025) rivela che, sebbene l'IA per la sicurezza IoT/IIoT sia fortemente focalizzata sul rilevamento delle intrusioni, la ricerca attuale manca di validità operativa a causa della scarsità di etichette e dei vincoli di risorse, rendendo necessario un passaggio verso protocolli di implementazione standardizzati, consapevoli del drift e spiegabili.
Questo articolo introduce il metodo di annotazione degli elementi di processo tramite decomposizione e ricomposizione consapevole dei vincoli (DR-PEA) per mitigare il collasso semantico dei processi nei grandi modelli linguistici, trasformando il testo di processo non strutturato in dati strutturati standardizzati attraverso una pipeline a tre stadi di decomposizione semantica, ricomposizione del processo e mappatura dei vincoli, ottenendo prestazioni superiori rispetto ai baseline esistenti.
Questo studio confronta l'accuratezza della classificazione e la stabilità della spiegabilità di modelli DenseNet121 e Vision Transformer su immagini istopatologiche mammarie, rivelando un compromesso critico in cui DenseNet121 raggiunge un'accuratezza e spiegazioni localizzate superiori, mentre il Vision Transformer dimostra una maggiore robustezza delle spiegazioni sotto perturbazioni dell'input.
Questo studio presenta un framework di deep learning in tre fasi che combina la previsione del pH basata su LSTM con il controllo tramite Deep Reinforcement Learning, validato rispetto a profili di suolo africani utilizzando dati sintetici, per fornire una soluzione scalabile e trasferibile per l'ottimizzazione del recupero minerario nelle regioni dell'Africa subsahariana caratterizzate da scarsità di dati.
Questo studio dimostra che l'aggregazione basata su Deep Set che sfrutta l'auto-attenzione supera i metodi tradizionali nella modellazione di dati di attività fisica da dispositivi indossabili ad alta frequenza e a lunghezza variabile, suggerendo al contempo che strategie di aggregazione più semplici rimangono sufficienti per misurazioni più stabili e a bassa frequenza.
Questo articolo presenta AdapNet-IDS, un framework di deep learning auto-adattivo e interpretabile che integra BiLSTM, self-attention ed Elastic Weight Consolidation per ottenere un rilevamento delle intrusioni ad alta precisione e in tempo reale, con capacità di apprendimento continuo e processi decisionali trasparenti in diversi ambienti di rete.
Questo articolo propone FedMOJO, un framework collaborativo a ciclo chiuso che integra l'apprendimento di rappresentazioni a basso rango, la privacy differenziale e l'ottimizzazione tra equità e privacy per bilanciare efficacemente utilità, equità di gruppo e preservazione della privacy nella classificazione di testi federata sotto dati non-IID.