3643 artigos
O artigo propõe o FedSS, uma estrutura consciente de compartilhabilidade para aprendizado federado com privacidade diferencial em reconhecimento de esportes que compartilha seletivamente semânticas esportivas transferíveis enquanto retém o contexto específico do cliente localmente para mitigar a distorção de clipping e melhorar a relação entre privacidade e utilidade.
Este artigo introduz o Repair Evidence Resolution (RER), um framework que desloca a avaliação automatizada da correção de patches de métricas puramente preditivas para uma análise estrutural de se as evidências podem definir de forma definitiva a separação entre reparos corretos e incorretos, revelando que mesmo avaliadores de alto desempenho frequentemente dependem de evidências que falham em resolver reivindicações de reparo específicas.
Este artigo propõe um algoritmo de detecção de tubos de perfuração leve baseado em YOLO11n para ambientes complexos de minas de carvão subterrâneas que integra Large Separable Kernel Attention e Coordinate Attention para aumentar a robustez de características contra oclusão e variações de iluminação, juntamente com uma perda InterpIoU para melhorar a precisão de regressão para alvos esbeltos, alcançando generalização superior, taxas de erro reduzidas e altas velocidades de inferência em tempo real.
Este estudo demonstra que um pipeline baseado em RAG utilizando o LLM Codestral-22B com prompting contínuo de poucos disparos (few-shot) identifica efetivamente clones semânticos de código e padrões de reutilização em forks de microsserviços de código aberto, superando ferramentas tradicionais baseadas em sintaxe, apesar das limitações atuais de recall.
Este artigo introduz a Centralidade de Hipergrafo Pendular (HDC) como uma medida de importância de vértice baseada em interrupção e a utiliza para orientar o framework de Percolação de Hiperaresta Guiada pela Centralidade Pendular (DC-HPC), que demonstra desempenho superior na identificação de comunidades sobrepostas estruturalmente significativas em comparação com métodos de referência em conjuntos de dados do mundo real.
Para enfrentar os desafios de desalinhamento espacial e detalhamento limitado na detecção de objetos minúsculos em imagens aéreas pareadas visíveis e térmicas, os autores propõem o FDMA-Net, um novo framework que apresenta um módulo de Alinhamento Mamba de Quatro Direções para alinhamento de características cross-modais, um mecanismo de Melhoria de Detalhes Térmicos para preservar detalhes espaciais finos e um Cabeçalho de Distribuição de Centro-Tamanho para localização precisa, o qual alcança o estado da arte de desempenho nos benchmarks RGBTDronePerson e VTUAV-det.
Este artigo propõe o algoritmo Improved Multi-objective Centered Collision Optimization (IMOCCO), que integra colisão de característica de variedade, colisão de restituição de massa e orientação de esparsidade angular para superar significativamente os métodos existentes em benchmarks padrão e aplicações de engenharia.
O artigo propõe o EEGGAN-SepH, uma rede adversária generativa baseada em transformer aprimorada com um cabeçalho de saída separável para melhor modelar a dinâmica local de EEG, juntamente com um pipeline de avaliação usando extratores de características específicos de EEG que demonstra fidelidade e utilidade de dados superiores em comparação aos métodos existentes.
Este artigo aborda a lacuna na personalização culturalmente sensível ao realizar uma revisão sistemática da literatura existente e propor o framework CAMI-DM, uma arquitetura integrativa que combina dados comportamentais com contexto cultural e otimização espacial para permitir o merchandising adaptável e culturalmente consciente em ambientes de varejo físicos, digitais e phygitais.
Este estudo propõe e avalia uma estrutura de espaço de estados probabilística de duas escalas temporais que funde sinais de afeto multimodais com controle consciente de incerteza para melhorar a responsividade de robôs humanoides, demonstrando, via simulação de Monte Carlo, que a filtragem de Kalman com portão e o mapeamento de exibição ponderado por confiança reduzem significativamente os erros de estimativa e o tremor comportamental em comparação com os métodos de linha de base.