3900 artigos
Este artigo apresenta o EMA-Det, uma rede de verificação de regiões de saída antecipada e consciente do hardware para detecção de UAV em duas etapas que prioriza o recall sobre o mAP para superar gargalos do sistema, alcançando desempenho superior em dispositivos de borda e demonstrando a necessidade de treinamento específico de domínio para aplicações térmicas-IR.
Este artigo propõe o Semantic Spectrum-based Fault Localization (SSFL), uma abordagem de nível de método que aproveita as distribuições de valores de saída em tempo de execução para construir espectros semânticos, alcançando uma precisão de localização de falhas superior em comparação com técnicas tradicionais baseadas em espectro, baseadas em aprendizado e baseadas em LLM, sem exigir treinamento de modelo ou raciocínio online.
Este artigo introduz o PW-Desc, um descritor de características locais topologicamente estável que prioriza garantias de estabilidade matematicamente comprovadas sob perturbações e transformações fotométricas em detrimento da precisão bruta de correspondência, tornando-o especificamente adequado para aplicações de missão crítica como registro médico e análise forense, apesar de ficar atrás de métodos aprendidos de última geração em desempenho de benchmark.
O artigo apresenta o Bottleneck-aware Explainable Learning-to-Dispatch (BA-XLD), uma política de prioridade interpretável que melhora significativamente o rendimento, reduz o atraso e minimiza os tempos de configuração em sistemas de manufatura flexíveis dinâmicos ao alavancar contribuições de características aditivas aprendidas para se adaptar a perturbações estocásticas.
Este artigo propõe uma estrutura lexicográfica de dois estágios, orientada por traços, para inferência de IA geo-distribuída que prioriza a viabilidade do serviço enquanto otimiza as emissões de carbono sob rigorosas restrições físicas de água, demonstrando compensações ambientais significativas e fornecendo um benchmark reproduzível para a alocação sustentável de recursos.
Este estudo demonstra que o uso de quantidades modestas de dados históricos do domínio-alvo para a calibração de probabilidade adaptativa ao alvo melhora significamente a confiabilidade e a interpretabilidade das previsões de risco de estudantes baseadas em IA em cursos que experienciam mudanças de conjunto de dados, sem comprometer o desempenho de classificação.
Este estudo demonstra que modelos de linguagem de grande escala ajustados, particularmente o ModernBERT-base, superam significativamente os métodos tradicionais de palavras-chave e as abordagens zero-shot na classificação de determinantes sociais da saúde em narrativas de subvenções do NIH, ao mesmo tempo em que identificam a calibração de limiar como uma estratégia crítica para abordar o desequilíbrio de rótulos.
Este artigo introduz o Framework Causal Intervencional para Manutenção Baseada em Condição (IC-CBM), que aproveita a descoberta causal intervencional e a normalização de resíduos estruturais para superar o sobreajuste associativo na manufatura robótica multimodal, alcançando uma classificação de condição de operação robusta e invariante ao domínio com precisão e acurácia fora da distribuição significativamente melhoradas em comparação com as linhas de base correlacionais tradicionais.
Este artigo introduz um framework dual-SHAP que distingue entre relações correlacionais e causais em explicações de aprendizado de máquina ao comparar atribuições condicionais e intervencionais, demonstrando sua eficácia no diagnóstico de credibilidade causal através de diversos resultados de pesquisas sociais.
Este artigo propõe uma nova estrutura baseada em visão que combina detecção de pose humana, características de profundidade monoculares, mapeamento de homografia e um modelo de correção residual aprendido para estimar com precisão a distância entre uma câmera CCTV fixa e uma pessoa em ambientes internos sem GPS, alcançando um erro absoluto médio de 0,159 metros.