4030 artigos
Este artigo propõe um framework de desenviesamento camada a camada para o CLIP ViT congelado que mitiga a dependência hierárquica de atalhos por meio de intervenções espaciais, de frequência e semânticas direcionadas, aumentando, assim, a generalização entre geradores de detectores de imagens geradas por IA.
Este artigo propõe o MACRDR, um framework de colaboração e reflexão multiagente que aumenta a diversidade da recomendação de notícias e a descoberta de interesses ao reformular o processo como um mecanismo dinâmico de calibração de intenção, no qual agentes preditivos e reflexivos ajustam colaborativamente os perfis de usuários para mitigar bolhas de filtro e capturar preferências em evolução.
Este estudo demonstra que protocolos rigorosos de resistência ao vazamento de dados, particularmente a validação com exclusão de rota, são essenciais para uma detecção de sonolência do condutor credível, revelando que, embora o boosting de gradiente baseado em histogramas agrupados alcance um alto desempenho sob divisões padrão, ele sofre uma penalidade significativa de transferência de rota e que a fusão de modalidades complexas não supera modelos agrupados mais simples.
Este artigo introduz as Redes Neurais Convolucionais Quânticas com Equivariância de Translação de Pixels (PCS-QCNNs), que resolvem o descompasso entre as simetrias de codificação de imagem e as permutações padrão de qubits ao construir camadas multiplexadas por Fourier que comutam exatamente com deslocamentos cíclicos de pixels, demonstrando desempenho superior sobre controles quânticos não equivariantes em benchmarks de MNIST transladados, ao mesmo tempo em que destaca descompassos críticos entre treinamento e implantação decorrentes dos custos de amostragem de disparos finitos.
Este artigo apresenta uma revisão de evidências rápida e informada pelo PRISMA de 33 estudos sobre IA de agentes confiáveis, introduzindo a taxonomia T-SAFE e um framework em camadas para abordar lacunas críticas em segurança, explicabilidade, alinhamento e supervisão humana, ao mesmo tempo em que destaca a atual negligência de pesquisa em relação à equidade.
Este artigo introduz o SPS-LIME, um framework de explicação agnóstico ao modelo que aumenta a interpretabilidade de classificadores de textos jurídicos ao perturbar segmentos de comprimento variável e retoricamente coerentes, em vez de tokens ou sentenças individuais, alcançando assim uma consistência e abrangência superiores, ao mesmo tempo em que revela potenciais desalinhamentos entre a sensibilidade do classificador e o raciocínio jurídico explícito.
Este estudo introduz uma estrutura híbrida de GeoAI e Análise de Decisão Multicritério que utiliza aprendizado de máquina não supervisionado para identificar locais de centros de dados legal e ambientalmente viáveis dentro da Bacia do Rio Guadalupe, resolvendo eficazmente conflitos entre água e energia ao substituir a ponderação subjetiva de especialistas por critérios derivados empiricamente para guiar a infraestrutura para longe da zona de recarga sensível do Aquífero de Edwards.
Este artigo propõe o Token-Adaptive LoRA, um método de ajuste fino eficiente em parâmetros que roteia dinamicamente tokens de imagem para especialistas LoRA com diferenciação de rank por meio de um roteador Noisy Top-1, aumentando significativamente o desempenho do Segment Anything Model em tarefas de detecção e segmentação de sensoriamento remoto com sobrecarga computacional mínima.
Este artigo introduz um protocolo de auditoria condicionado ao arquivo para avaliar como modelos de visão-linguagem e estruturas de prompt interagem com metadados de museus ao avaliar o valor artístico, demonstrando, por meio de um estudo de caso do Metropolitan Museum of Art, que prompts de "influência" produzem as diferenças baseadas em categorias mais consistentes, ao mesmo tempo em que destacam as limitações de generalização entre modelos e entre prompts.
Este artigo propõe uma estrutura robusta de detecção de fraude de cartão de crédito que combina Redes Adversárias Generativas (GANs) para abordar o severo desequilíbrio de classes com técnicas de aprendizado de máquina de conjunto, demonstrando que o modelo XGBoost resultante alcança um desempenho superior em recall, precisão e viabilidade em tempo real em um conjunto de dados de 76.900 transações.