3900 artigos
Este artigo propõe uma estrutura de Aprendizado de Máquina Explicável e IoT que integra dados de sensores em tempo real com algoritmos de conjunto e técnicas de XAI para prever com precisão o desempenho acadêmico de alunos do ensino fundamental e gerar intervenções de aprendizagem transparentes e personalizadas.
Este estudo pré-registrado demonstra que grandes modelos de linguagem podem inferir de forma confiável traços de personalidade do Big Five a partir de conversas ao vivo com alta consistência interna e validade convergente, particularmente para neuroticismo e amabilidade, embora o desempenho varie conforme a observabilidade do traço e a estratégia de prompting.
Este estudo propõe um framework de detecção de intrusão robusto e leve para redes IoMT utilizando os conjuntos de dados CICIoMT2024, CICIoT2023 e Edge-IIoTset, demonstrando que, embora modelos de ensemble como o XGBoost se destaquem em cenários de mesmo domínio, a seleção cuidadosa de modelos, como a Regressão Logística, é crucial para manter a estabilidade e a eficácia em ambientes de domínio cruzado, apesar dos desafios na compatibilidade de recursos.
Este estudo propõe um framework de inteligência de ameaças aprimorado por IA que integra aprendizado de máquina com princípios de Zero Trust para melhorar significativamente a detecção de ameaças em tempo real, reduzir falsos positivos e fortalecer a resiliência cibernética contra ataques sofisticados em ambientes de nuvem dinâmicos.
Este artigo apresenta o SciSchema.org, a primeira coleção multidisciplinar de 16 esquemas anotados por especialistas projetados para padronizar a descrição de processos científicos em diversos campos, permitindo, assim, a anotação estruturada, a reprodutibilidade e a comparação entre estudos por meio de um fluxo de trabalho de desenvolvimento com participação humana.
Este artigo propõe o Diagnóstico de Função Epistêmica (EFD) como uma camada de referência unificadora para analisar e intervir nos riscos complexos e coexistentes do design auxiliado por IA, integrando frameworks estabelecidos por meio de uma arquitetura de diagnóstico-intervenção 2×2 e uma gramática de Crença-Meio-Método-Justificativa (BMMJ), ao mesmo tempo em que reconhece a necessidade de validação empírica futura.
Este artigo introduz o AMORL, um framework adaptativo e consciente do treinamento que combina aprendizado por reforço e redes neurais convolucionais para mapear dinamicamente diversas cargas de trabalho de DNN em Networks-on-Chip heterogêneas, alcançando reduções significativas no custo de comunicação, desequilíbrio de carga e latência, enquanto mantém alta taxa de transferência e eficiência energética.
Este estudo demonstra que os modelos de linguagem de grande escala contemporâneos, particularmente quando guiados por técnicas avançadas de prompting, podem automatizar a triagem de encaminhamento em reumatologia com uma precisão comparável ou superior à de especialistas humanos, eliminando efetivamente a necessidade de modelos de grande escala caros.
Este artigo apresenta uma estrutura de aprendizado profundo híbrido federado de ponta a ponta para detecção de intrusão em IoT que pré-processa e treina diversos modelos (incluindo CNN, LSTM e XGBoost) nos conjuntos de dados N-BaIoT, CICIoT2023 e BoT-IoT para alcançar um desempenho sólido ao mesmo tempo em que aborda restrições de privacidade e de recursos, com resultados destacando o desafio particular do conjunto de dados multiclasse CICIoT2023.
Este artigo propõe uma arquitetura de mistura de especialistas roteada por patches para recomendação contínua de drafts de MOBA que aproveita identidades de patches versionadas para isolar a adaptação, alcançando esquecimento zero e convergência significativamente mais rápida com armazenamento reduzido em comparação a modelos independentes, embora sua vantagem de velocidade diminua à medida que o fluxo de patches se prolonga.