1061 artigos
Esta pesquisa propõe uma estrutura de aprendizado de máquina que utiliza métodos de ensemble e IA explicável para prever falhas em data warehouses com até 15 minutos de antecedência por meio da análise de métricas do sistema, reduzindo, assim, o tempo de inatividade através da detecção proativa de anomalias e da análise automatizada de causa raiz.
Através de uma investigação abrangente de Monte Carlo, este artigo demonstra que, embora o tamanho da amostra de treinamento seja o principal fator determinante da fidelidade da atribuição SHAP, os tratamentos comuns para desbalanceamento de classes frequentemente distorcem as classificações e magnitudes das características, levando os autores a recomendar a prevenção do rebalanceamento em favor da ponderação de classes quando a interpretabilidade SHAP é uma prioridade.
Este artigo introduz o CLHA, um método de agregação de Hessiano entre camadas para quantização pós-treinamento de Transformers de Mistura de Especialistas (Mixture-of-Experts) com pesos compartilhados que minimiza o erro total de reconstrução ao combinar estatísticas de Hessiano entre camadas compartilhadas, superando significativamente as abordagens de calibração por camada existentes e também abordando falhas críticas de implementação na estimativa de Hessiano.
Este artigo apresenta a Linguagem de Anotação Agêntica (AAL), um novo sistema de anotação in-band que permite a injeção de contexto Just-In-Time para agentes autônomos, reduzindo significativamente o consumo de tokens e a poluição de contexto em comparação com arquivos de regras globais tradicionais, mantendo uma alta conformidade com restrições específicas do domínio.
Este artigo apresenta o primeiro estudo de generalização entre conjuntos de dados para a detecção de notícias falsas em urdu, revelando que um modelo treinado no conjunto de dados Ax-to-Grind falha catastroficamente quando aplicado ao conjunto de dados Notri-Fact devido a um confundimento sistemático de comprimento nos dados de treinamento que induz o aprendizado de atalhos, destacando, assim, falhas críticas nas práticas atuais de construção de conjuntos de dados e avaliação para o PLN de baixos recursos.
O artigo apresenta a Cascade Progressive Distilled Network (CPDN), uma nova estrutura de aprendizado profundo que aproveita a destilação de conhecimento de um professor CatBoost para superar problemas de estagnação de otimização e não diferenciabilidade, alcançando o estado da arte em desempenho de classificação em dados tabulares heterogêneos.
Este artigo demonstra que uma abordagem de treinamento centralizado com execução descentralizada (CTDE) utilizando QMIX supera significativamente o aprendizado Q independente (IQL) e as linhas de base não-RL na coordenação do carregamento de veículos elétricos em cidades inteligentes, alcançando taxas de aceitação e probabilidades de sucesso mais elevadas, enquanto gerencia efetivamente a observabilidade parcial e a dinâmica do tráfego.
Esta revisão sistemática de 445 estudos recentes (2024–2026) identifica os híbridos CNN-Mamba como a arquitetura mais eficiente para imagem médica devido à sua complexidade computacional linear, ao mesmo tempo em que destaca desafios críticos, como a perda de informação espacial e o consumo de memória, que devem ser abordados por meio de blocos 3D nativos para permitir a integração clínica.
Este artigo propõe e avalia um framework híbrido de detecção de intrusão que combina aprendizado supervisionado (Random Forest e XGBoost) com um modelo de detecção de anomalias baseado em LSTM Autoencoder em conjuntos de dados alinhados de IoT e nuvem, demonstrando que, embora esta abordagem melhore significativamente a robustez de detecção e o recall para ataques não vistos, ela exige uma compensação com o aumento de falsos positivos e a redução da precisão.
Este artigo propõe o YOLOv10n-FBD, um modelo leve de detecção de maturação de tomate cereja que integra a fusão de características CCFM, a atenção PSA-BiFormer e uma estratégia C2f-Dual para alcançar alta precisão (94,3% mAP) e velocidade (369 FPS), reduzindo significativamente o tamanho do modelo e a complexidade computacional em comparação com os métodos existentes.