3657 artigos
Este artigo apresenta o FRIDAY, um framework de Geração Aumentada de Recuperação otimizado, projetado para permitir agentes cognitivos locais eficientes e que preservam a privacidade, ao abordar as restrições de recursos específicas e os desafios de desempenho da implantação de Pequenos Modelos de Linguagem.
Este estudo empírico revela que a precisão da análise de causa raiz baseada em LLM em microsserviços é impulsionada primariamente pela qualidade das evidências extraídas por seu pipeline subjacente, em vez do próprio modelo, ao mesmo tempo em que destaca a vulnerabilidade significativa do sistema a textos enganosos e erros de temporização.
O artigo apresenta o Credence, um framework de decomposição de afirmações que substitui métricas de sobreposição de tokens por uma avaliação baseada em similaridade semântica (Semantic-F1) e fornece garantias formais de convergência para pipelines de reparo, demonstrando melhorias significativas na precisão da decomposição e na confiabilidade da verificação de fatos em múltiplos domínios e modelos.
Este artigo propõe uma estrutura híbrida explicável de CNN-ViT que combina EfficientNet-B0 e ViT-Base/16 com mecanismos de atenção para alcançar 98,67% de precisão na classificação de doenças das folhas de café da Etiópia, oferecendo uma solução transparente e de alto desempenho para a agricultura de precisão.
O quarto desafio autoPET/CT-IV demonstra que, embora os métodos de aprendizagem profunda interativos combinem eficazmente a inferência automatizada com o contributo de especialistas para alcançar uma segmentação de lesões de corpo inteiro robusta através de diversos domínios de imagem, a segmentação longitudinal a partir de exames pareados permanece significativamente mais desafiadora devido à variabilidade temporal e anatómica.
Este artigo apresenta o PowerGLUE, um benchmark abrangente e específico de domínio composto por 3.603 itens em seis setores de energia principais e duas categorias de tarefas, projetado para avaliar sistematicamente as capacidades e limitações de grandes modelos de linguagem na indústria de energia elétrica.
Este estudo demonstra que módulos de atenção e de grafos leves não proporcionam melhorias estatisticamente significativas em relação às linhas de base idênticas de ResNet e EfficientNet para a classificação de radiografias de tórax de nove classes, desafiando a validade dos ganhos relatados anteriormente que frequentemente carecem de comparações estatísticas pareadas e de múltiplas sementes rigorosas.
Este estudo utilizou a ferramenta WEKA para avaliar sete algoritmos de aprendizado de máquina baseados em árvores de decisão em um conjunto de dados de qualidade da água do Kaggle, constatando que o algoritmo Random Forest (RF) alcançou o maior desempenho preditivo com uma taxa de classificação correta de 69,28% para distinguir água potável segura de insegura.
Este estudo desenvolveu e avaliou uma estrutura baseada em evidências que integra um modelo de linguagem de grande escala com um grafo de conhecimento de segurança do paciente e geração aumentada por recuperação, demonstrando que o conhecimento estruturado aumenta significativamente o desempenho de extração de conceitos e de raciocínio para aplicações de segurança clínica.
Este estudo combina uma revisão sistemática de pesquisas baseadas em ILPD com um experimento reprodutível e controlado contra vazamento para demonstrar que a engenharia de atributos automatizada e clinicamente interpretável melhora significativamente as compensações de discriminação e triagem de um modelo de conjunto híbrido explicável para a predição de doenças hepáticas, ao mesmo tempo em que destaca o impacto crítico do design de validação nas métricas de desempenho relatadas.