1017 articoli
Questo articolo presenta un sistema di deep learning basato su DenseNet-121 che raggiunge un'accuratezza del 96,52% nella classificazione di quattro tipi di tumori cerebrali da dataset MRI bengalesi, impiegando al contempo Grad-CAM e tecniche correlate per garantire trasparenza e affidabilità del modello.
Questo articolo propone IDW-ADAFormer, un framework basato su iTransformer che integra una decomposizione adattiva tramite Inverse-Distance Weighting, un modulo di attenzione per la diversità dell'allineamento basato su kernel e una funzione di perdita consapevole dell'AQI per ottenere una previsione a medio termine accurata e interpretabile delle concentrazioni di particolato distribuite spazialmente.
Questo articolo propone un algoritmo ibrido Pareto di artificial fish swarm che integra meccanismi di alimentazione migliorati e simulated annealing per ottimizzare simultaneamente la pianificazione della sequenza di assemblaggio e il bilanciamento della linea di assemblaggio, minimizzando la perdita di bilanciamento, i tempi di commutazione e il tempo di battuta.
Questo studio valuta le prestazioni dell'algoritmo Apriori su dataset transazionali sintetici su larga scala per dimostrare che, sebbene l'abbassamento delle soglie di supporto aumenti la diversità delle regole, esso incrementa significativamente i costi computazionali, evidenziando in definitiva la necessità di bilanciare la profondità algoritmica con l'efficienza attraverso una selezione ottimale delle soglie.
Questo articolo propone un algoritmo di Evoluzione Differenziale Adattiva Cooperativa Consapevole dello Stato della Popolazione (PSAC-DE) caratterizzato da un controllore di stato unificato per risolvere un modello di coordinamento dei semafori del traffico arterioso a quattro obiettivi, dimostrando miglioramenti significativi in termini di ritardo, fermate, larghezza di banda dell'onda verde ed emissioni di carbonio rispetto agli ottimizzatori mainstream in scenari simulati di Hangzhou.
Il documento propone FreqPrompt-AD, un framework che non richiede addestramento che migliora il rilevamento e la segmentazione di anomalie industriali zero-shot sfruttando il prompting semantico locale guidato dalla frequenza per superare i limiti dell'allineamento globale immagine-testo nei modelli di tipo CLIP, raggiungendo prestazioni state-of-the-art su molteplici benchmark.
Questo articolo introduce un framework di teoria della misura basato su assiomi di utilità per valutare la razionalità dei Large Language Models, rivelando che molti modelli esibiscono violazioni sistematiche della transitività delle preferenze che minano la coerenza decisionale, pur mentre alcuni pattern rispecchiano il comportamento umano.
TopoLeaf è un framework di rilevamento delle anomalie visive training-free e zero-shot per i sistemi cyber-fisici agricoli che combina la distanza geometrica e l'omologia persistente locale sulle caratteristiche di un modello di fondazione per identificare in modo robusto nuove malattie delle piante e deviazioni strutturali attraverso diversi domini colturali senza richiedere dati annotati.
Questo articolo presenta una revisione sistematica di 80 studi (2010–2026) che analizza l'evoluzione della corsa agli armamenti tra il rilevamento delle minacce informatiche guidato dall'IA e le tecniche di evasione avversaria, offrendo una tassonomia unificata, un'analisi visiva dei trend e una valutazione critica delle sfide e delle direzioni future all'interno degli ambienti di sicurezza Zero Trust.
Questo articolo introduce TimeSynth, un framework di benchmarking controllato che espone i limiti dei classici metriche puntuali nella valutazione dei digital twin di segnali sanitari, rivelando significativi errori di fase e di frequenza nei modelli principali, e raccomanda pertanto una selezione dei modelli guidata dall'architettura basata su diagnostiche di fedeltà temporale.