3899 artigos
O artigo apresenta o CheXficient, um modelo de fundação para radiografias de tórax que utiliza a curadoria de dados seletiva guiada por representação para alcançar um desempenho competitivo em diversas tarefas clínicas utilizando apenas uma fração dos dados e recursos computacionais exigidos pelas abordagens tradicionais de pré-treinamento em larga escala.
Este artigo apresenta um benchmark condicional à distribuição demonstrando que explicações de atribuição de características para alertas de intrusão de rede podem melhorar, degradar ou não alterar a utilidade das filas de alertas dependendo de distribuições de ameaças específicas e características do detector, apoiando, desta forma, o uso de reclassificação localmente validada e consciente de explicações como uma estratégia complementar à ordenação baseada apenas em pontuação.
Este artigo apresenta uma validação experimental aprimorada demonstrando que o método Query-Adaptive Coordinate Ordering alcança um aumento de velocidade médio de 2,84× na busca k-NN exata em conjuntos de dados de alta dimensão, mantendo a recall perfeita, com ganhos de desempenho impulsionados primariamente pela correlação de características em vez da dimensionalidade nominal.
Este estudo avalia o desempenho preditivo e a consistência da explicação entre métodos de um classificador XGBoost em um conjunto de dados de doenças cardíacas, demonstrando que, embora o modelo alcance uma acurácia forte e uma concordância de moderada a forte entre os métodos de explicação global (importância nativa, importância por permutação e SHAP), essas dimensões são distintas e não garantem inerentemente a validade clínica.
Este artigo apresenta o AmbiGraph-Coref, um modelo baseado em grafos aprimorado com calibração de confiança e um mecanismo explícito de irresolubilidade que alcança alto desempenho na resolução de correferência ambígua em textos sintéticos de redes sociais, ao mesmo tempo em que enfatiza a necessidade de validação futura em dados autênticos do mundo real.
Este estudo aproveita um conjunto de dados de larga escala e um modelo de aprendizado de máquina consciente da qualidade para distinguir com precisão problemas de qualidade de reprodução de baixo interesse do usuário em deslizes rápidos de vídeo, alcançando alto desempenho preditivo e permitindo a otimização direcionada de experiências de streaming.
Este artigo introduz o Causal Adjoint Transport (CAT), um método de dinâmica adjunta de segunda ordem local que reduz significativamente o custo computacional do treinamento de redes neurais implícitas e recorrentes próximo a fronteiras de estabilidade ao exigir substancialmente menos ações de Jacobiano em comparação com a relaxação de primeira ordem e outros solvers.
Este estudo avalia as limitações atuais em Medical Visual Question Answering (Med-VQA) para telemedicina e propõe o framework TRACE-MedVQA, um sistema baseado em recuperação, calibrado e explicável, projetado para aumentar a segurança e a confiabilidade do suporte à decisão clínica remota.
Este artigo propõe uma estrutura de legendagem com reforço de recuperação que injeta políticas de destilação de evasão de colisão e regras formais de condução em modelos de Visão-Linguagem-Ação, melhorando significativamente a precisão da previsão de trajetória de veículos autônomos para igualar o desempenho da verdade fundamental ao abordar detalhes críticos de segurança frequentemente negligenciados por modelos padrão.
Este estudo demonstra que fluxos de trabalho de modelos de linguagem de grande escala cuidadosamente estruturados, particularmente aqueles que empregam prompting de poucos disparos (few-shot prompting) e raciocínio explícito, podem alcançar alta sensibilidade na triagem de revisões sistemáticas, reduzindo o esforço manual em mais de 80% a um baixo custo.