1061 articoli
Questa ricerca propone un framework di machine learning che sfrutta metodi ensemble e l'intelligenza artificiale spiegabile per prevedere i guasti dei data warehouse con un anticipo fino a 15 minuti attraverso l'analisi delle metriche di sistema, riducendo così i tempi di inattività mediante il rilevamento proattivo delle anomalie e l'analisi automatizzata della causa radice.
Attraverso un'indagine Monte Carlo completa, questo articolo dimostra che, sebbene la dimensione del campione di addestramento sia il principale fattore determinante della fedeltà dell'attribuzione SHAP, i comuni trattamenti per lo sbilanciamento delle classi spesso distorcono le classifiche e le magnitudo delle caratteristiche, portando gli autori a raccomandare di evitare il riequilibrio a favore della ponderazione delle classi quando la interpretabilità SHAP è una priorità.
Questo articolo introduce CLHA, un metodo di aggregazione dell'Hessiano cross-layer per la quantizzazione post-training di transformer Mixture-of-Experts con pesi condivisi che minimizza l'errore totale di ricostruzione combinando le statistiche dell'Hessiano tra i layer condivisi, superando significativamente gli esistenti approcci di calibrazione per singolo layer e affrontando al contempo critiche problematiche di implementazione nella stima dell'Hessiano.
Questo articolo introduce l'Agentic Annotation Language (AAL), un nuovo sistema di annotazione in-band che consente l'iniezione di contesto Just-In-Time per agenti autonomi, riducendo significativamente il consumo di token e l'inquinamento del contesto rispetto ai tradizionali file di regole globali, pur mantenendo un'alta conformità con i vincoli specifici del dominio.
Questo articolo presenta il primo studio di generalizzazione cross-dataset per il rilevamento di fake news in urdu, rivelando che un modello addestrato sul dataset Ax-to-Grind fallisce catastroficamente quando applicato al dataset Notri-Fact a causa di un confondimento sistematico della lunghezza nei dati di addestramento che induce l'apprendimento di scorciatoie (shortcut learning), evidenziando così critiche lacune nelle attuali pratiche di costruzione e valutazione dei dataset per l'NLP a basse risorse.
Il documento introduce la Cascade Progressive Distilled Network (CPDN), un nuovo framework di deep learning che sfrutta la distillazione della conoscenza da un insegnante CatBoost per superare i problemi di stagnazione dell'ottimizzazione e di non differenziabilità, raggiungendo prestazioni di classificazione allo stato dell'arte su dati tabulari eterogenei.
Questo articolo dimostra che un approccio di addestramento centralizzato con esecuzione decentralizzata (CTDE) utilizzando QMIX supera significativamente l'independent Q-learning (IQL) e i baseline non-RL nel coordinamento della ricarica dei veicoli elettrici all'interno delle smart city, raggiungendo tassi di accettazione e probabilità di successo più elevati gestendo efficacemente l'osservabilità parziale e le dinamiche del traffico.
Questa revisione sistematica di 445 studi recenti (2024–2026) identifica gli ibridi CNN-Mamba come l'architettura più efficiente per l'imaging medico grazie alla loro complessità computazionale lineare, evidenziando al contempo sfide critiche come la perdita di informazioni spaziali e il consumo di memoria che devono essere affrontati attraverso blocchi 3D nativi per consentire l'integrazione clinica.
Questo articolo propone e valuta un framework di rilevamento delle intrusioni ibrido che combina l'apprendimento supervisionato (Random Forest e XGBoost) con un modello di rilevamento delle anomalie basato su un LSTM Autoencoder su dataset allineati di IoT e cloud, dimostrando che, sebbene questo approccio migliori significativamente la robustezza del rilevamento e il richiamo per gli attacchi non visti, esso richiede un compromesso con l'aumento dei falsi positivi e una riduzione della precisione.
Questo articolo propone YOLOv10n-FBD, un modello leggero per il rilevamento della maturazione dei pomodori ciliegino che integra la fusione delle caratteristiche CCFM, l'attenzione PSA-BiFormer e una strategia C2f-Dual per raggiungere un'elevata precisione (94,3% mAP) e velocità (369 FPS), riducendo significativamente la dimensione del modello e la complessità computazionale rispetto ai metodi esistenti.