4092 artigos
Este artigo propõe um método de detecção de ataques cibernéticos em IIoT que combina técnicas de processamento de desbalanceamento de classes, como o Borderline-SMOTE, com um modelo CNN–BiLSTM–Attention para aumentar significativamente o reconhecimento de classes de ataque minoritárias e o desempenho geral de detecção no conjunto de dados TON-IoT.
Este artigo apresenta o TrustSLM, um framework consciente de confiança que agrega saídas de múltiplos modelos de linguagem de grande escala utilizando métricas de confiabilidade para detectar alucinações, identificar o paradoxo da precisão de erros excessivamente confiantes e regular respostas por meio de uma política de abstenção controlada para uma implantação de IA mais segura.
Este artigo propõe o YOLOv11-AHFE, um novo algoritmo de detecção de defeitos superficiais que integra uma transformada wavelet de fluxo duplo e um módulo de realce de alta frequência à arquitetura YOLOv11 para preservar e recuperar detalhes críticos de alta frequência perdidos durante o subamostragem tradicional, melhorando significativamente a detecção de defeitos complexos e de pequena escala em superfícies metálicas.
Este artigo demonstra que a adoção de um objetivo de treinamento minimax, que otimiza agentes de redesenho de redes contra um portfólio de ataque de pior caso recomputado dinamicamente em vez de uma única estratégia fixa, reduz significativamente o "Gap de Degradação Adaptativa" e produz topologias com robustez de pior caso superior contra adversários capazes de reconhecimento, independentemente do otimizador específico utilizado.
Este artigo propõe o AGHA-Net, um novo framework de aprendizado profundo que integra convolução de grafos adaptativa, unidades recorrentes de portão espaço-temporais e um mecanismo de atenção híbrida de dois ramos para melhorar significativamente a precisão e a estabilidade da previsão de fluxo de passageiros de trânsito ferroviário urbano de curto prazo ao capturar efetivamente dependências espaciais dinâmicas e padrões temporais complexos.
Este artigo apresenta e avalia um pipeline híbrido offline para desidentificação de prontuários clínicos em português brasileiro utilizando modelos de linguagem locais de pesos abertos e filtros baseados em regras, demonstrando alta revocação e estabilidade em hardware modesto sem exigir ajuste fino específico para a tarefa.
Este artigo propõe e avalia um Framework OODA Agêntico que aproveita sistemas multiagentes com validação de humano no ciclo para superar a variabilidade e os problemas de confiança dos LLMs padrão, demonstrando consistência e confiabilidade de saída significativamente maiores para o suporte à decisão clínica transparente e de segurança crítica no cuidado ao acidente vascular cerebral.
Este artigo apresenta o MMANet, um framework de aprendizado profundo focado apenas em vídeo e preservador de privacidade que utiliza o alinhamento temporal micro-macro para estimar de forma robusta a severidade da depressão através de diversos conjuntos de dados culturais, alcançando alta precisão sem depender de modalidades de áudio e texto ruidosas ou intrusivas.
Este artigo propõe um método de classificação de marcas de fusão para investigação de incêndios elétricos que utiliza um Swin transformer e uma rede piramidal de características bidirecional com fusão de atenção cross-scale direcional para alcançar precisão e robustez superiores contra a degradação de imagem em comparação com as abordagens baseadas em CNN existentes.
Este artigo apresenta o FactLink, o primeiro benchmark para a tarefa de Classificação de Papel de Link de Verificação de Fatos, que compreende dois conjuntos de dados multilíngues de links anotados e demonstra que, embora os transformers ajustados finamente se destaquem em cenários ricos em dados, os Grandes Modelos de Linguagem de poucos disparos oferecem robustez superior em cenários de poucos recursos e de domínio cruzado.