3657 artigos
Esta revisão sistemática da literatura analisa 50 estudos recentes sobre segurança e privacidade de LoRaWAN para propor uma nova taxonomia multiaxial, identificar lacunas críticas de pesquisa, como a falta de pseudonimização dinâmica e rechaveamento automático, e delinear direções futuras, incluindo criptografia pós-quântica e detecção de intrusão baseada em aprendizado de máquina.
O EthnoPulse é um framework de aprendizado profundo multitarefa que modela conjuntamente o reconhecimento de emoção em música tradicional e a predição de engajamento online usando uma configuração de rótulo parcial com corpora disjuntos, alcançando o estado da arte em desempenho e destacando a importância crítica da avaliação agrupada por composição e do relato específico por dimensão na análise musical transcultural.
Este artigo propõe um pipeline modular de três estágios para o mapeamento de syslogs de segurança heterogêneos para um esquema comum, demonstrando, por meio de uma avaliação extensiva em dados do setor educacional coreano, que a combinação de canonicalização estrutural com correspondentes semânticos tanto locais quanto baseados em agentes melhora significamente a precisão do mapeamento, ao mesmo tempo em que revela um compromisso crítico entre precisão e latência de implantação em diferentes ambientes de fornecedores.
Este artigo propõe um framework de autenticação baseado em confiança integrado com uma Rede de Fusão Multiescala de Agregação Adaptativa (AAMF-Net) dentro de uma arquitetura Edge-cloud-IoMT para detectar doenças cardíacas de forma eficaz, alcançando 96,37% de acurácia ao abordar as restrições de recursos de borda por meio de pré-processamento de dados avançado, seleção de características e um modelo de aprendizado profundo híbrido combinando autoatenção e fusão multiescala.
Este artigo propõe um novo framework de Rede Gated Capsule-Transformer (GCT-Net) aprimorado por Otimização Meta-Heurística Seletiva e Balanceamento de Dados Sintéticos-Generativos Integrados para superar problemas de heterogeneidade de dados, escalabilidade e desbalanceamento em cuidados de saúde baseados em sensores vestíveis, melhorando significamente a acurácia, precisão e sensibilidade do diagnóstico clínico em tempo real.
Este estudo empírico revela que agentes de código impulsionados por modelos de linguagem de grande escala falham frequentemente de forma silenciosa durante a integração de sistemas quando fatos críticos estão ausentes de especificações fragmentadas, demonstrando que o design do pipeline — especificamente a capacidade de fazer perguntas de esclarecimento ou impor testes rigorosos — é mais crítico do que a escolha do modelo na prevenção desses erros não detectados.
Este artigo propõe um novo framework de otimização para alocação de orçamento de publicidade digital que integra o Aprendizado por Reforço Q Distributivo Federado Adaptativo e o NSGA-II Adaptativo Federado dentro de um sistema distribuído baseado em nuvem e preservador de privacidade para maximizar simultaneamente o ROAS, o CTR e a eficiência de custos, ao mesmo tempo em que alcança precisão, escalabilidade e retornos econômicos superiores em comparação aos métodos existentes.
Este artigo propõe um framework de aprendizado por reforço profundo impulsionado por meta-aprendizado que combina MAML e PPO para permitir a adaptação rápida da orquestração de recursos consciente de energia em redes 5G/6G, alcançando melhorias significativas na eficiência energética e na redução da pegada de carbono, mantendo simultaneamente a qualidade do serviço.
Este artigo apresenta um framework acelerado por GPU que integra a biblioteca TenSEAL com um backend CUDA customizado para a biblioteca Troy CKKS, permitindo a inferência de CNN criptografada em nível de tensor de forma eficiente em dispositivos compactos e de borda que supera significativamente tanto servidores de CPU de alto desempenho quanto baselines de GPU em nível de operação.
O GLaDViT é um modelo de classificação de documentos leve e interpretável que alcança alta precisão ao fundir o CLIP congelado, o BERT e características de layout derivadas do Tesseract por meio de uma cabeça de portão treinável, permitindo a atribuição exata de decisões a modalidades individuais enquanto demonstra que as características de layout fornecem um valor complementar significativo, apesar de receberem pesos de portão baixos.