964 artigos
Este artigo propõe um framework leve de Rede Neural Convolucional de Atenção Dupla baseada em Extração de Características Espaço-Temporais Profundas (CSFE-DAE) que combina Padrões Espaciais Comuns com mecanismos de atenção dupla para alcançar uma precisão de detecção de doença de Parkinson de estado da arte de 97,59% em sinais de EEG.
Este estudo utilizou um modelo de desenvolvimento Four-D para criar e validar um sistema de gestão de aprendizagem baseado em IA para escolas primárias, o qual especialistas consideraram altamente viável e eficaz no aumento das competências de pensamento computacional dos alunos, particularmente em decomposição, abstração e algoritmos.
Este artigo propõe uma Rede Neural Quântico-Clássica Híbrida de Fusão Adaptativa de Características (FAF-HQNN) que pondera dinamicamente as previsões clássicas e quânticas para alcançar precisão superior e robustez contra ruído em tarefas de classificação de imagens biomédicas.
O artigo propõe o ACDGRec, um modelo de recomendação robusto que integra treinamento adversário e aprendizado contrastivo em uma rede neural de grafos baseada em difusão para abordar eficazmente a esparsidade de dados, problemas de cold-start e instabilidade de entrada ao capturar correlações latentes de contexto do usuário.
Este artigo propõe um framework de Gradiente de Política Determinística Profunda Multi-Agente (MADDPG) consciente de NDN que aproveita o aprendizado descentralizado e representações de estado especializadas para mitigar efetivamente Ataques de Poluição de Cache em Redes de Dados Nomeados, demonstrando eficiência de cache superior, convergência mais rápida e resiliência aprimorada em comparação com abordagens de agente único e convencionais.
Este artigo propõe um framework de Otimização de Política Próxima com Mapeamento Linear Melhorado (LME-PPO) que utiliza aprendizado por reforço profundo para otimizar o balanceamento dinâmico de carga e reduzir a latência do sistema em ambientes de computação de borda de cidades inteligentes, mapeando efetivamente espaços de tarefas complexos e garantindo o equilíbrio computacional entre servidores de borda.
Este artigo propõe uma estrutura de aprendizado por reforço multiagente com incentivos baseados na teoria dos jogos para alcançar o consenso entre participantes autônomos e aprendizes de blockchain, demonstrando que as políticas convergem para equilíbrios equitativos e tolerantes a adversários, ao mesmo tempo em que identifica limitações arquitetônicas específicas e refina as garantias teóricas de convergência.
Este estudo utiliza a Modelagem de Equações Estruturais para demonstrar que, embora a conscientização sobre cibersegurança impulsionada por IA e a literacia digital promovam significativamente a adoção de sistemas de cibersegurança baseados em IA, a confiança nesses sistemas não influencia diretamente a intenção comportamental, destacando a necessidade crítica de as organizações priorizarem o desenvolvimento da conscientização sobre cibersegurança e da literacia digital em vez de apenas a construção de confiança.
Este artigo apresenta o DustFormer, um framework de codificador-decodificador baseado em aprendizado profundo que realiza simultaneamente a segmentação de poeira e a estimativa de densidade em imagens RGB, alcançando alta precisão e robustez para aplicações de monitoramento ambiental, agricultura de precisão e sensoriamento inteligente.
Este artigo propõe um método de execução simbólica direcionada aprimorado com estratégias de simbolização automática e limitação de laços para verificar eficientemente a viabilidade de caminhos de fluxo de controle interprocedural, demonstrando recall e precisão superiores em comparação com ferramentas existentes como o KLEEF quando aplicado a projetos do mundo real e integração de análise estática.