3710 artigos
Este estudo propõe um modelo de catástrofe de cúspide teoricamente fundamentado que aproveita a relevância e a heterogeneidade do conhecimento para permitir a identificação precoce de avanços científicos, demonstrando sua eficácia em capturar a maioria das pesquisas transformadoras em IA, física e biomedicina.
O artigo propõe o HySEAtt-DDI, um framework de aprendizado profundo multimodal que integra informações químicas, biológicas e semânticas de fármacos por meio de uma arquitetura híbrida de CNNs, blocos Squeeze-and-Excitation e mecanismos de autoatenção para alcançar o estado da arte no desempenho da predição de interações fármaco-fármaco.
Este estudo demonstra que modelos transformer biomédicos, especificamente o BiomedBERT, treinados exclusivamente em probabilidades de desfecho automatizadas a partir de textos de registros de ensaios clínicos públicos, podem prever com eficácia o sucesso de ensaios de neurociência em fases posteriores com alta precisão, reprodutibilidade e custo computacional mínimo, evitando o vazamento de dados por meio de validação temporal rigorosa e restrições de entrada.
Este artigo introduz o Hospital Trust Aggregation (HTA), um novo método de aprendizado federado para imagens médicas que combina concordância direcional, plausibilidade de magnitude e precisão de referência para mitigar clientes maliciosos sob dados não-IID, ao mesmo tempo em que estabelece um benchmark abrangente que revela a superioridade do HTA no tratamento de colusão e ataques de nível de dados, mas também destaca a limitação fundamental dos sinais de confiança baseados em magnitude para distinguir outliers honestos de adversários sob severa heterogeneidade médica.
Este artigo apresenta um framework reutilizável para mecanizar algoritmos de passagem de mensagens assíncronos em Rocq, demonstrado através de uma formalização completa e livre de objetivos admitidos do algoritmo Echo que prova a correção de tempo de decisão via invariantes indutivas e indução bem fundamentada sem assumir justiça de entrega.
Este artigo propõe uma arquitetura híbrida quântico-clássica paralela e eficiente em parâmetros para classificação de imagens que utiliza um extrator de características clássicas compartilhado e múltiplas ramificações quânticas com diversas estratégias de codificação e topologias de emaranhamento para alcançar precisão competitiva em conjuntos de dados MNIST, CIFAR-10 e imagens térmicas.
Este artigo introduz um framework de Dinâmica Reduzida Neural (NRD) que aprende abstrações de estado relevantes para o controle para permitir o aprendizado por reforço de alto rendimento, treinando políticas em um modelo quatro ordens de magnitude mais rápido do que simuladores de alta fidelidade que transferem efetivamente para tarefas robóticas complexas através de diversos terrenos sem degradação de desempenho.
Este artigo propõe o PBAC-ZTA, um framework de controle de acesso baseado em polinômios e adaptável à confiança para ambientes de nuvem Zero-Trust que integra autorização contínua, revogação dinâmica e detecção de anomalias comportamentais para superar modelos tradicionais em escalabilidade, segurança criptográfica e eficiência na tomada de decisão em tempo real.
Este artigo apresenta um modelo de Defesa Bayesiana Dinâmica Consciente do Tipo de Ataque (ATA-DBD) que aprimora um jogo de soma não nula de três níveis ao distinguir entre ataques de força bruta e injeção de SQL por meio de estruturas de recompensa separadas e um processo dinâmico de atualização de crenças, demonstrando sucesso de defesa, eficiência de recursos e utilidade superiores em comparação com estratégias estáticas e agrupadas em simulações controladas.
Este artigo apresenta um estudo de caso computacional auditando um fluxo de trabalho de descoberta de fármacos por agentes de IA para o SMPD1, demonstrando como a revisão adversarial expôs erros críticos que alteraram conclusões centrais e destacando as limitações dos atuais mecanismos de autorrevisão, ao mesmo tempo em que fornece um protocolo de auditoria reutilizável em vez de um candidato a fármaco validado.