1017 articoli
Questo studio propone una rete neurale convoluzionale ibrida sensibile all'orientamento che integra filtri di bordo e di texture artigianali con caratteristiche di deep learning per migliorare la robustezza del riconoscimento facciale touch-less contro le variazioni di posa, illuminazione e occlusione, ottenendo punteggi F1 migliorati su tre dataset benchmark.
Questo articolo indaga come la rivelazione dell'identità e i disallineamenti cross-lingua introducano cinque distinti meccanismi di bias nella revisione tra pari LLM-to-LLM, dimostrando attraverso esperimenti multi-modello che i punteggi auto-riportati sono indicatori inaffidabili della stabilità dell'auditor e necessitano di un'analisi qualitativa indipendente del testo giustificativo.
Questo articolo identifica e quantifica l' "Algorithmic Groupthink", un fenomeno in cui i sistemi multi-agente basati su LLM perdono diversità semantica quando condividono il lavoro intermedio, e dimostra che questo problema di inferenza può essere efficacemente mitigato attraverso specifiche istruzioni a livello di prompt senza compromettere la qualità dell'output.
Questo articolo propone un'architettura di Cognitive Supply Chain Twin che integra i Digital Twin con il Multi-Agent Reinforcement Learning per migliorare autonomamente la resilienza della catena di approvvigionamento contro le interruzioni geopolitiche nelle economie emergenti, dimostrando attraverso simulazioni che questo approccio supera significativamente i metodi tradizionali nel mantenere la continuità operativa, ridurre i tempi di recupero e abbassare i costi nel contesto specifico del Perù.
Questo articolo propone QBK-ProtoNet, un framework di deepfake detection interpretabile che sfrutta prototipi di covarianza bio-cinematica calibrati sulla qualità per identificare in modo robusto video manipolati in condizioni degradate e domini non visti, misurando le incongruenze fisiologiche e temporali rispetto a prove apprese di autenticità e manipolazione.
Questo articolo introduce EVE, un'unità neurale distributiva che tratta gli stati nascosti come latenti variazionali locali, e dimostra attraverso un protocollo di congelamento della distribuzione a posteriori che una lettura branch-medoid non oracle può decodificare efficacemente questo stato latente per migliorare l'accuratezza e la copertura della previsione multimodale senza riaddestramento.
Questo studio propone un modello ibrido Random Forest–ANN addestrato su 450 progetti edilizi peruviani che raggiunge una precisione del 91,20% nella valutazione dinamica dei costi, riducendo significativamente gli errori di previsione e il bias geografico, offrendo al contempo una via percorribile per l'integrazione nei quadri di gestione delle infrastrutture pubbliche del Perù.
Questo articolo esamina l'evoluzione delle architetture U-Net per la segmentazione di immagini mediche, evidenziando le loro cinque varianti principali, l'integrazione con tecniche avanzate come le GAN e l'augmentation dei dati, e le ottimizzazioni per l'efficienza e la trasparenza che collettivamente migliorano l'accuratezza e l'applicabilità clinica nella diagnosi delle malattie e nella pianificazione del trattamento.
Questo articolo dimostra che lo sfruttamento del verificatore nella raffinazione iterativa guidata da NLI è una vulnerabilità architettonica inerente ai cicli di feedback a metrica singola, mostrando come una pipeline training-free e zero-gradient possa degradare sistematicamente la fedeltà gonfiando al contempo i punteggi NLI attraverso la troncatura dei contenuti, e propone un protocollo di rilevamento universale e privo di annotazioni per identificare tali rischi strutturali.
Questo articolo propone Dyna-FractureNet, un nuovo framework che sfrutta il Cooperative Multi-Agent Reinforcement Learning per selezionare dinamicamente ensemble di modelli ottimali e coordinare meccanismi di attenzione multi-livello, migliorando così significativamente l'accuratezza, la robustezza e l'efficienza della rilevazione delle fratture in diverse regioni anatomiche nelle immagini radiografiche.