3895 artigos
Este estudo propõe uma rede de limiar neural adaptativa que supera a regressão logística na priorização de registros da SEC para revisão de aplicação de normas contábeis ao aprender limiares dependentes de contexto, enquanto estabelece simultaneamente um quadro de requisitos de governança para garantir o uso do sistema como um auxílio de triagem confidencial em vez de evidência legal.
Este estudo valida o Explainable Multi-Stakeholder Educational Intelligence Framework (EMSEIF), um sistema empírico que transforma diversos feedbacks do ensino superior em evidências auditáveis em nível de aspecto e melhorias curriculares acionáveis por meio de IA explicável, grafos de conhecimento e auditoria de equidade.
Este artigo demonstra que, em sistemas automatizados de autoavaliação de artigos, prever se decisões próximas ao limiar sofrerão inversão sob perturbação é alcançado efetivamente por um baseline simples que utiliza distribuições de deslocamento de pontuação empíricas e margens de decisão, em vez de modelos de fronteira aprendidos complexos.
Este artigo propõe o GlaucoFusionNet, uma estrutura de IA multimodal explicável que integra imagens de fundo de retina e dados clínicos por meio de inferência causal e raciocínio contrafactual para superar as limitações de modelos baseados em correlação ao fornecer previsões de risco de glaucoma e estratificação de progressão interpretáveis e acionáveis.
Este artigo propõe um framework híbrido que combina Campos de Radiância Neural (NeRF) otimizados por Runge–Kutta para reconstrução 3D consciente da geometria com um módulo de refinamento baseado em difusão para corrigir efetivamente a severa distorção de perspectiva de selfies, preservando simultaneamente a identidade facial, a consistência estrutural e a qualidade fotorrealista.
Este estudo propõe uma estrutura de CNN de conjunto, leve e não destrutiva, que alcança 97,50% de precisão na detecção de rachaduras em cascas de ovos por meio da extração de características multiescala, oferecendo uma alternativa computacionalmente eficiente e robusta à inspeção manual e aos modelos de aprendizado profundo existentes para aplicações de embalagem de alimentos automatizadas.
Esta revisão de escopo mapeia o cenário emergente da "vibe coding" (geração de código assistida por LLM) na área da saúde através dos domínios clínico, administrativo e de pesquisa, destacando seu potencial para democratizar o desenvolvimento de software ao mesmo tempo em que identifica desafios críticos em segurança e regulamentação e propõe uma estrutura de governança de três níveis para uma adoção responsável.
Este artigo apresenta o HT-CS, um framework de aprendizado incremental sensível ao custo que combina um regressor Hoeffding Tree com detecção de deriva ADWIN e ponderação ao nível de amostra, o qual melhora significativamente a revocação de eventos críticos de temperatura e a precisão de predição em dispositivos Raspberry Pi 4B com recursos limitados, mantendo baixa latência e uma pequena pegada do modelo.
Este estudo propõe um modelo AEP2-YOLOv8s aprimorado que integra extração de ROI, normalização de fundo, um módulo AIFI, atenção EMA e uma arquitetura de detecção de quatro escalas para alcançar a identificação de alta precisão e não destrutiva de microcontaminantes em superfícies de cascas de ovos, superando significativamente o YOLOv8s original em precisão.
O artigo propõe o DeepHistoViT, uma estrutura de Vision Transformer interpretável que alcança precisão de estado da arte e robustez estatística na classificação de imagens histopatológicas para câncer de pulmão, câncer de cólon e leucemia linfoblástica aguda ao aproveitar mecanismos de atenção para localizar regiões diagnosticamente relevantes.