1017 artigos
Este artigo apresenta um sistema de aprendizagem profunda baseado em DenseNet-121 que alcança 96,52% de precisão na classificação de quatro tipos de tumores cerebrais a partir de conjuntos de dados de RM de Bangladesh, enquanto emprega Grad-CAM e técnicas relacionadas para garantir a transparência e a confiabilidade do modelo.
Este artigo propõe o IDW-ADAFormer, um framework baseado em iTransformer que integra uma decomposição de Ponderação pelo Inverso da Distância adaptativa, um módulo de atenção de diversidade de alinhamento baseado em kernel e uma função de perda consciente de AQI para alcançar a previsão de médio prazo precisa e interpretável de concentrações de material particulado distribuídas espacialmente.
Este artigo propõe um algoritmo de enxame de peixes artificiais híbrido de Pareto que integra mecanismos de alimentação melhorados e o recozimento simulado para otimizar simultaneamente o planejamento da sequência de montagem e o balanceamento da linha de montagem, minimizando a perda de balanceamento, os tempos de troca e o tempo de batida.
Este estudo avalia o desempenho do algoritmo Apriori em conjuntos de dados transacionais sintéticos de larga escala para demonstrar que, embora a redução dos limiares de suporte aumente a diversidade das regras, ela eleva significativamente os custos computacionais, destacando, em última análise, a necessidade de equilibrar a profundidade algorítmica com a eficiência por meio da seleção ideal de limiares.
Este artigo propõe um algoritmo de Evolução Diferencial Adaptativa Cooperativa com Consciência do Estado da População (PSAC-DE), apresentando um controlador de estado unificado para resolver um modelo de coordenação de semáforos arteriais de quatro objetivos, demonstrando melhorias significativas em atraso, paradas, largura de banda da onda verde e emissões de carbono em comparação com otimizadores convencionais em cenários simulados de Hangzhou.
O artigo propõe o FreqPrompt-AD, um framework livre de treinamento que aprimora a detecção e segmentação de anomalias industriais zero-shot ao aproveitar o prompting semântico local guiado por frequência para superar as limitações do alinhamento imagem-texto global em modelos do tipo CLIP, alcançando o estado da arte em múltiplos benchmarks.
Este artigo introduz uma estrutura de base teórica de medida fundamentada em axiomas de utilidade para avaliar a racionalidade de Grandes Modelos de Linguagem, revelando que muitos modelos exibem violações sistemáticas da transitividade de preferência que comprometem a coerência decisória, ainda que alguns padrões espelhem o comportamento humano.
O TopoLeaf é um framework de detecção de anomalias visuais livre de treinamento e zero-shot para sistemas ciber-físicos agrícolas que combina distância geométrica e homologia persistente local em características de modelos de fundação para identificar robustamente novas doenças de plantas e desvios estruturais através de diversos domínios de culturas sem exigir dados anotados.
Este artigo apresenta uma revisão sistemática de 80 estudos (2010–2026) analisando a evolução da corrida armamentista entre a detecção de ameaças cibernéticas impulsionada por IA e as técnicas de evasão adversária, oferecendo uma taxonomia unificada, análise visual de tendências e uma avaliação crítica de desafios e direções futuras dentro de ambientes de segurança Zero Trust.
Este artigo apresenta o TimeSynth, uma estrutura de benchmarking controlada que expõe as limitações das métricas pontuais padrão na avaliação de gêmeos digitais de sinais de saúde, ao revelar erros significativos de fase e frequência em modelos líderes, defendendo, assim, a seleção de modelos baseada em arquitetura por meio de diagnósticos de fidelidade temporal.