2358 articoli
Questo articolo propone un framework di Machine Learning Spiegabile e IoT che integra dati sensoriali in tempo reale con algoritmi ensemble e tecniche XAI per prevedere accuratamente il rendimento accademico degli studenti delle scuole medie e generare interventi di apprendimento trasparenti e personalizzati.
Questo studio preregistrato dimostra che i grandi modelli linguistici possono inferire in modo affidabile i tratti della personalità dei Big Five da conversazioni dal vivo con un'elevata coerenza interna e validità convergente, particolarmente per nevroticismo e amabilità, sebbene le prestazioni varino in base all'osservabilità del tratto e alla strategia di prompting.
Questo studio propone un framework di rilevamento delle intrusioni robusto e leggero per le reti IoMT utilizzando i dataset CICIoMT2024, CICIoT2023 ed Edge-IIoTset, dimostrando che mentre i modelli ensemble come XGBoost eccellono negli scenari dello stesso dominio, una selezione accurata del modello come la Regressione Logistica è cruciale per mantenere stabilità ed efficacia negli ambienti cross-domain nonostante le sfide nella compatibilità delle caratteristiche.
Questo studio propone un framework di threat intelligence potenziato dall'IA che integra l'apprendimento automatico con i principi dello Zero Trust per migliorare significativamente il rilevamento delle minacce in tempo reale, ridurre i falsi positivi e rafforzare la resilienza cibernetica contro attacchi sofisticati in ambienti cloud dinamici.
Questo articolo introduce SciSchema.org, la prima collezione multidisciplinare di 16 schemi annotati da esperti progettati per standardizzare la descrizione dei processi scientifici in diversi campi, consentendo così l'annotazione strutturata, la riproducibilità e il confronto tra studi attraverso un flusso di lavoro di sviluppo con intervento umano.
Questo articolo propone la Diagnosi della Funzione Epistemica (EFD) come uno strato di riferimento unificante per analizzare e intervenire nei complessi rischi coesistenti della progettazione assistita dall'IA, integrando i framework stabiliti attraverso un'architettura diagnostico-interventistica 2×2 e una grammatica Belief-Means-Method-Justification (BMMJ), pur riconoscendo la necessità di una futura validazione empirica.
Questo articolo introduce AMORL, un framework adattivo e consapevole dell'addestramento che combina l'apprendimento per rinforzo e le reti neurali convoluzionali per mappare dinamicamente carichi di lavoro DNN diversificati su reti su chip eterogenee, ottenendo riduzioni significative nei costi di comunicazione, nel disequilibrio del carico e nella latenza, mantenendo al contempo un elevato throughput ed efficienza energetica.
Questo studio dimostra che i moderni modelli linguistici di grandi dimensioni, in particolare quando guidati da tecniche di prompting avanzate, possono automatizzare il triage dei referral in reumatologia con un'accuratezza paragonabile o superiore a quella degli esperti umani, eliminando efficacemente la necessità di modelli su larga scala ed estremamente costosi.
Questo articolo presenta un framework di deep learning ibrido federato end-to-end per l'individuazione delle intrusioni IoT che pre-elabora e addestra modelli diversificati (inclusi CNN, LSTM e XGBoost) sui dataset N-BaIoT, CICIoT2023 e BoT-IoT per ottenere prestazioni elevate pur affrontando i vincoli di privacy e di risorse, con risultati che evidenziano la particolare sfida del dataset multiclasse CICIoT2023.
Questo articolo propone un'architettura di tipo mixture-of-Experts con routing a patch per la raccomandazione continua di draft MOBA che sfrutta identità di patch versionate per isolare l'adattamento, ottenendo lo zero forgetting e una convergenza significativamente più rapida con una riduzione dello storage rispetto ai modelli indipendenti, sebbene il suo vantaggio di velocità diminuisca all'allungarsi del flusso di patch.