1062 articoli
Questo articolo propone un paradigma di apprendimento automatico che evita la tradizionale ricostruzione dell'immagine per rilevare direttamente entità di interesse, come le malattie, da misurazioni minime, riducendo così significativamente i costi e i tempi di acquisizione pur mantenendo l'accuratezza diagnostica.
Questo articolo propone un framework di allocazione dei compiti ibrido per sistemi multi-robot eterogenei che combina un Large Language Model per la generazione di soluzioni iniziali di alta qualità basate sul linguaggio naturale con un algoritmo di ricerca locale "Speed-Up Slow-Down" guidato dalla memoria, ottenendo una riduzione del 17,07% del makespan della missione rispetto ai metodi tradizionali pur mantenendo la scalabilità.
Questo articolo introduce il Virtual Speech Therapist (VST), una piattaforma guidata dall'IA e con la partecipazione del clinico che integra la classificazione della balbuzia basata sul deep learning con il ragionamento di modelli linguistici di grandi dimensioni multi-agente per generare, criticare e perfezionare piani terapeutici personalizzati ed evidence-based per la revisione e l'implementazione da parte di esperti.
Questo articolo introduce il "Dice Roll Method", un protocollo statisticamente fondato che sostituisce le fallaci assunzioni parametriche con un framework GLMM basato sulla distribuzione binomiale negativa e un'analisi della potenza tramite simulazione per stabilire conteggi di iterazione standardizzati e soglie di affidabilità per misurare il bias stocastico negli output dei modelli linguistici di grandi dimensioni.
MobiShield è un nuovo framework di apprendimento federato per il rilevamento di malware su Android che affronta simultaneamente l'eterogeneità dei dati non-IID, il concept drift e la fuga di privacy integrando una pesatura adattiva delle caratteristiche, il rilevamento del drift basato su Hoeffding e un meccanismo di privacy differenziale dinamico che regola i livelli di rumore in risposta ai cambiamenti di distribuzione.
Questo articolo propone un framework di apprendimento federato che preserva la privacy e integra un modello ibrido composto da una rete neurale profonda e XGBoost per rilevare efficacemente le minacce informatiche in ambienti Internet of Medical Things, affrontando al contempo le sfide relative alla privacy dei dati, alla distribuzione dei dati non-IID e agli attacchi avversari.
Questo articolo propone un framework leggero e modulare basato sul recupero di informazioni che rileva e corregge efficacemente le allucinazioni nei modelli linguistici di grandi dimensioni (LLM) sfruttando il recupero di evidenze tramite TF-IDF e la verifica pesata, raggiungendo un'elevata accuratezza nella rilevazione e una significativa riduzione delle allucinazioni senza l'overhead computazionale dell'inferenza multi-LLM.
Questo articolo propone un nuovo framework concettuale, Secure QoS-IPv6, che integra sinergicamente il rilevamento delle anomalie guidato dall'IA, una blockchain di consorzio leggera e il routing basato sul Deep Reinforcement Learning all'interno di un'architettura a quattro strati SDN e 6TiSCH per affrontare olisticamente le sfide di sicurezza, fiducia e Qualità del Servizio nelle reti IoT IPv6 eterogenee e con risorse limitate.
Questo studio dimostra che gli esiti del rischio di citazione per gli articoli di gastroenterologia clinica possono essere predetti accuratamente utilizzando esclusivamente informazioni sul tempo di pubblicazione, con i baseline non semantici e gli embedding dell'intero documento che raggiungono prestazioni elevate nell'identificare i lavori a bassa citazione all'interno di un corpus letterario limitato.
Il documento propone CAFR, un framework di rilevamento a due percorsi che migliora il rilevamento di oggetti sconosciuti impiegando un meccanismo di rettifica asimmetrica per prevenire l'overconfidence delle categorie note e una modellazione del primo piano guidata dai prototipi per migliorare la stima dell'objectness, ottenendo così precisione e punteggi F1 superiori pur mantenendo prestazioni stabili per le categorie note.