1014 artigos
Este artigo apresenta o Res6-Deep11, um novo modelo de reconstrução de imagem não supervisionado que detecta e segmenta eficazmente manchas de óleo em imagens SAR sem exigir rótulos de verdade de campo ao nível do pixel, alcançando um desempenho superior em relação aos métodos de última geração com um F1-score de 77,33%.
Este artigo apresenta o DTap, a primeira plataforma de red-teaming controlável e interativa para agentes de IA, que inclui um agente de red-teaming autônomo (DTap-Red) e um benchmark de larga escala (DTap-Bench) para avaliar e expor sistematicamente vulnerabilidades de segurança em 14 domínios do mundo real.
Este artigo apresenta uma estrutura escalável para operacionalizar a IA confiável na saúde ao utilizar uma Árvore de Decisão de Análise de Erros e inovações metodológicas inéditas para descobrir falhas em subgrupos ocultos e mitigar o viés, traduzindo, assim, princípios abstratos de equidade em objetivos de engenharia verificáveis que garantem a conformidade com regulamentações como o EU AI Act.
Esta revisão sistemática de 154 estudos (2021–2025) revela que, embora a IA para segurança de IoT/IIoT esteja fortemente focada em detecção de intrusão, a pesquisa atual carece de validade operacional devido à escassez de rótulos e restrições de recursos, necessitando de uma mudança em direção a protocolos de implantação padronizados, conscientes de deriva (drift-aware) e explicáveis.
Este artigo introduz o método de Anotação de Elemento de Processo por Decomposição–Recomposição com Consciência de Restrições (DR-PEA) para mitigar o Colapso Semântico de Processo em grandes modelos de linguagem através da transformação de texto de processo não estruturado em dados estruturados padronizados por meio de um pipeline de três estágios de decomposição semântica, recomposição de processo e mapeamento de restrições, alcançando um desempenho superior em relação às linhas de base existentes.
Este estudo compara a precisão de classificação e a estabilidade da explicabilidade de modelos DenseNet121 e Vision Transformer em imagens de histopatologia mamária, revelando um compromisso crítico onde o DenseNet121 alcança maior precisão e explicações localizadas, enquanto o Vision Transformer demonstra maior robustez das explicações sob perturbações de entrada.
Este estudo apresenta uma estrutura de aprendizagem profunda de três fases que combina a previsão de pH baseada em LSTM com o controlo por Aprendizagem por Reforço Profundo, validada contra perfis de solos africanos utilizando dados sintéticos, para fornecer uma solução escalável e transferível para a otimização da recuperação de minas em regiões da África Subsariana com escassez de dados.
Este estudo demonstra que a agregação baseada em Deep Set aproveitando a autoatenção supera os métodos tradicionais na modelagem de dados de atividade física de alta frequência e comprimento variável, ao mesmo tempo em que sugere que estratégias de agregação mais simples permanecem suficientes para medições mais estáveis e de baixa frequência.
Este artigo apresenta o AdapNet-IDS, uma estrutura de aprendizado profundo autoadaptável e interpretável que integra BiLSTM, autoatenção e Consolidação de Peso Elástico para alcançar detecção de intrusão de alta precisão e em tempo real, com capacidades de aprendizado contínuo e tomada de decisão transparente através de diversos ambientes de rede.
Este artigo propõe o FedMOJO, um framework colaborativo de malha fechada que integra aprendizado de representação de baixo posto, privacidade diferencial e otimização de justiça-privacidade para equilibrar efetivamente utilidade, justiça de grupo e preservação de privacidade na classificação de textos federados sob dados não-IID.