927 artigos
Este estudo propõe o Modelo de Fusão Adaptativa Dinâmica (DAFM), um sistema de previsão inteligente em tempo real que integra dinamicamente Árvores de Decisão, Florestas Aleatórias, XGBoost e redes BiLSTM via mecanismos de portão adaptativo para superar as limitações de modelos estáticos, alcançando precisão superior (R² = 0,97) e inferência rápida para a previsão da produção de petróleo.
O artigo apresenta o ModernBERT-TR, um codificador turco de 150 milhões de parâmetros pré-treinado do zero em 144,4 bilhões de tokens usando a arquitetura ModernBERT e um tokenizador personalizado, que supera significativamente os baselines turcos existentes e iguala modelos concorrentes maiores, apesar de ter sido treinado com substancialmente menos recursos.
O DriftSense++ é um framework dinâmico que aprimora a alocação de tarefas de crowdsourcing espacial ao empregar uma abordagem de malha fechada e consciente de regiões para detectar e gerenciar adaptativamente tanto o drift de dados quanto o de conceito, superando significativamente os métodos existentes em precisão, redução de alarmes falsos e velocidade de recuperação através de diversos conjuntos de dados do mundo real.
Este artigo foca na avaliação de várias técnicas de aprendizado de máquina para detectar e prever eficazmente ataques de injeção de SQL, que permitem aos atacantes manipular consultas de banco de dados e comprometer a segurança do servidor.
Este estudo avalia modelos de aprendizado de máquina para prever a mortalidade e o tempo de permanência na UTI em hospitais etíopes usando dados reais e sintéticos, constatando que o treinamento híbrido com dados gerados por CTGAN supera significativamente outros métodos, apesar de seu alto custo computacional, ao mesmo tempo em que destaca a necessidade de oxigênio e a SpO2 como os preditores de mortalidade mais fortes.
Este artigo propõe um método de aprendizado de malha orientado à orientação que utiliza um novo escalar diedro semissinalado para codificar a orientação local das faces, melhorando significamente a robustez e a precisão de classificação para formas 3D sob perturbações estruturais como cortes e fronteiras abertas em comparação com abordagens convencionais centradas em arestas.
Este estudo retrospectivo desenvolveu e avaliou um sistema de suporte à decisão clínica multimodal baseado em IA, integrando dados demográficos, clínicos, genômicos e de imagem para aprimorar a previsão do tratamento personalizado do câncer de próstata em Brunei, demonstrando que uma arquitetura híbrida LSTM–Random Forest com fusão de estágio tardio alcançou um desempenho robusto (AUC 0,964), apesar das limitações relacionadas ao pequeno tamanho da amostra.
Este estudo demonstra que algoritmos de aprendizado de máquina, particularmente Classificadores de Vetores de Suporte, alcançam alta precisão (até 99%) na detecção de degradação florestal na Reserva Florestal de Omo, na Nigéria, utilizando dados de sensoriamento remoto, defendendo, assim, sua integração nas políticas nacionais de conservação para o manejo sustentável das florestas.
Este estudo emprega uma metodologia de Planejamento de Experimentos para analisar e otimizar hiperparâmetros críticos — especificamente estratégia de fragmentação, volume de contexto e seleção de LLM — dentro de um sistema de Geração Aumentada de Recuperação (RAG) adaptado para a Procuradoria do Estado do Espírito Santo, revelando que esses fatores influenciam significativamente a qualidade da resposta por meio de análise estatística utilizando o Aligned Rank Transform.
Este artigo apresenta o THEA, uma política de revisão definida por prompts que trata modelos de mundo executáveis como teorias falsificáveis para orquestrar agentes pais e subagentes especialistas, alcançando desempenho de estado da arte em 22 de 25 jogos ARC-AGI-3 com custos significativamente reduzidos, enquanto garante que a revisão de hipóteses permaneça explícita, auditável e econômica.