4092 artigos
Este artigo demonstra que um algoritmo de Isolation Forest combinado com seleção de características baseada em Informação Mútua supera métodos de Autoencoder e Ensemble na detecção de intrusão em IoT de larga escala, ao alcançar precisão, F1-score e AUC superiores, mantendo uma menor complexidade computacional no conjunto de dados NF-ToN-IoT-v3.
Este artigo apresenta o PromptShield, um framework multiagente interpretável que combina análise semântica baseada em transformer com técnicas de XAI como SHAP e LIME para detectar e explicar eficazmente ataques de injeção de prompt em Grandes Modelos de Linguagem.
Este artigo propõe uma abordagem de fusão temporal multissinal que trata a alucinação como um problema de rotulagem de sequência usando um BiGRU para combinar estatísticas de texto, implicação de NLI e surprisal de modelo de linguagem, alcançando uma melhoria significativa de AUC de 0,840 no RAGTruth ao alavancar o contexto temporal em vez da capacidade do modelo, enquanto mantém a eficácia em modelos de código fechado e não vistos.
Este artigo propõe uma estrutura de verificação e validação orientada ao risco que transforma a detecção de alucinações em LLMs do setor público de um desafio puramente técnico em uma questão de governança, ao introduzir um índice de risco composto para orientar decisões operacionais como o adiamento ou a escalação humana, garantindo, assim, a certeza jurídica e a responsabilidade administrativa.
Este artigo introduz um framework de análise de sobrevivência causal ao nível de token que prevê com sucesso o início de alucinações em grandes modelos de linguagem antes que elas ocorram, alcançando um AUROC de 0,777 ao detectar o desvio de novidade textual e fornecendo avisos aproximadamente 11 tokens antes dos detectores pós-hoc tradicionais.
Este artigo propõe o NPDO, um framework neural híbrido que combina a extração de características multiescala com arquiteturas de CNN hierárquica e Vision Transformer para podar inteligentemente o espaço de busca de predição intra do VVC, alcançando uma redução de 54,0% no tempo de codificação com apenas um aumento de 1,18% no BD-Rate em comparação ao VTM 23.0 de referência.
Este artigo propõe o ADONIS, um framework descentralizado para fatiamento de rede 6G que aproveita uma arquitetura de Gêmeo Digital federada na borda e hierárquica, um escalonador de Rede Neural de Grafo Espaço-Temporal e um novo protocolo de codificação delta para minimizar o overhead de sincronização e as violações de SLA, garantindo ao mesmo tempo a convergência da alocação de recursos.
Este artigo propõe o framework Focus-Aware Adaptive Dense Subgraph (FAADS), que minera eficientemente subgrafos densos de alta qualidade em redes multicamadas dinâmicas por meio de um mecanismo de atualização incremental, alcançando melhorias significativas de velocidade em relação aos métodos de última geração ao mesmo tempo em que mantém uma qualidade de densidade próxima da ótima.
Utilizando o conjunto de dados OULAD, este estudo demonstra que, embora os modelos BiLSTM superem os baselines de gradient boosting na previsão de resultados de aprovação/reprovação e de abandono de estudantes, arquiteturas de aprendizagem multitarefa não proporcionam vantagem significativa sobre abordagens de tarefa única, apesar da correlação moderada entre as tarefas, sugerindo que esses resultados dependem de padrões comportamentais parcialmente distintos.
Este artigo apresenta uma revisão sistemática e uma meta-análise quantitativa de 36 estudos demonstrando que os métodos de conjunto baseados em árvores são a abordagem de aprendizado de máquina supervisionado mais eficaz para prever a eficiência de células solares de perovskita, ao mesmo tempo em que identifica desafios fundamentais na padronização de dados e propõe um roteiro abrangente para aumentar a confiabilidade e a escalabilidade do desenvolvimento fotovoltaico impulsionado por ML.