3878 artigos
Āyurpadaviśleṣikā é uma plataforma digital assistida por IA que organiza mais de 4.000 entradas medicinais de textos clássicos em sânscrito utilizando a estrutura ayurvédica de cinco aspectos para combater a fragmentação do conhecimento e aumentar a acessibilidade para diversos usuários por meio de processamento de linguagem natural, visão computacional e curadoria especializada.
Este artigo propõe uma abordagem de aprendizado de máquina interpretável e baseada em características, utilizando o histórico legislativo temporal e estrutural, que supera significativamente os modelos de referência existentes na previsão de resultados de aprovação ao nível de proposição na Câmara dos Deputados do Brasil, oferecendo ferramentas práticas para o aprimoramento do monitoramento legislativo e da transparência.
Este artigo propõe uma estrutura trans-dataset que integra atribuições SHAP filtradas por evidências com feedback de LLM pedagogicamente fundamentado para gerar explicações acionáveis e compatíveis com cenários para a predição de risco de estudantes em diversos contextos educacionais, demonstrando melhor conformidade e robustez através da validação em conjuntos de dados transversais e longitudinais.
O artigo apresenta o EEG-LM, um modelo de fundação que faz a ponte entre sinais cerebrais e linguagem natural ao alinhar representações de EEG com embeddings de modelos de linguagem de grande escala por meio de aprendizado contrastivo aumentado por difusão, alcançando, assim, desempenho de estado da arte, forte generalização e reconhecimento de emoções interpretável através de múltiplos conjuntos de dados.
Este artigo propõe o E-GCNet, um framework de aprendizado profundo híbrido que integra a Normalização Vetorial Min-Max Adaptativa, um Wrapper-Filter Ponderado Melhorado para seleção de características e um ensemble de votação suave de GoogleNet Aprimorada e Redes de Cápsula para alcançar a detecção de estado cognitivo altamente precisa e confiável com 97,4% de acurácia.
Esta revisão sistemática, conduzida de acordo com as diretrizes PRISMA 2020, avalia o potencial de vários algoritmos de aprendizagem profunda para a detecção precoce de doenças crônicas, ao mesmo tempo em que destaca limitações atuais, como a escassez de dados e a interpretabilidade, e propõe direções futuras para desenvolver sistemas de diagnóstico mais confiáveis e clinicamente benéficos.
Este estudo apresenta um sistema de LLM configurável que utiliza uma estrutura de Unidade Atômica Mínima (MAU) para alcançar uma extração de dados de alta precisão e rastreável à fonte para meta-análises, superando significativamente abordagens não decompostas enquanto mantém uma taxa de alucinação negligenciável em diversos domínios clínicos.
Este artigo demonstra que a integração de camadas Tensor-Train em Redes Neurais Informadas por Física reduz significativamente a contagem de parâmetros em até 8,8×, mantendo 97% da precisão original, com a eficiência de compressão dependendo fortemente da regularidade da solução da EDP subjacente.
Este artigo propõe e avalia um framework de auditoria e mitigação baseado em perturbação que demonstra como o ruído de entidade aumenta os riscos de relações falsas de alta confiança em grafos cientométricos gerados por LLMs, revelando que estratégias de abstenção conscientes de entidades e evidências superam efetivamente a filtragem simples de confiança na preservação da integridade do grafo.
O WSL-Det é um detector de objetos em tempo real construído sobre a arquitetura Vajra que integra atenção baseada em ondas para interação global sensível à frequência e convoluções de tiras ortogonais sequenciais para localização anisotrópica, alcançando precisão e velocidade de estado da arte em conjuntos de dados de defeitos de tiras industriais como couro e NEU-DET.