1062 artigos
Este artigo propõe um paradigma de aprendizado de máquina que evita a reconstrução tradicional de imagens para detectar diretamente entidades de interesse, como doenças, a partir de medições mínimas, reduzindo significativamente os custos e o tempo de aquisição, mantendo a precisão diagnóstica.
Este artigo propõe um framework híbrido de alocação de tarefas para sistemas multi-robôs heterogêneos que combina um Modelo de Linguagem de Grande Escala para gerar soluções iniciais de alta qualidade baseadas em linguagem natural com um algoritmo de busca local de Aceleração-Desaceleração guiado por memória, alcançando uma redução de 17,07% no tempo de execução da missão (makespan) em comparação com métodos tradicionais, mantendo a escalabilidade.
Este artigo apresenta o Virtual Speech Therapist (VST), uma plataforma impulsionada por IA com o clínico no ciclo (clinician-in-the-loop) que integra a classificação de gagueira baseada em aprendizado profundo com o raciocínio de modelos de linguagem de grande escala multiagentes para gerar, criticar e refinar planos de terapia personalizados e baseados em evidências para revisão e implementação por especialistas.
Este artigo apresenta o "Método do Lançamento de Dados", um protocolo estatisticamente fundamentado que substitui suposições paramétricas falhas por uma estrutura de GLMM de binomial negativa e análise de poder baseada em simulação para estabelecer contagens de iteração padronizadas e limiares de confiabilidade para medir o viés estocástico em saídas de modelos de linguagem de grande escala.
O MobiShield é um novo framework de aprendizado federado para detecção de malware em Android que aborda simultaneamente a heterogeneidade de dados não-IID, o desvio de conceito e o vazamento de privacidade ao integrar ponderação adaptativa de características, detecção de desvio baseada em Hoeffding e um mecanismo de privacidade diferencial dinâmico que ajusta os níveis de ruído em resposta a mudanças de distribuição.
Este artigo propõe um framework de aprendizado federado preservador de privacidade que integra um modelo híbrido de Rede Neural Profunda e XGBoost para detectar eficazmente ameaças cibernéticas em ambientes de Internet das Coisas Médicas, abordando desafios relacionados à privacidade de dados, distribuição de dados não-IID e ataques adversários.
Este artigo propõe uma estrutura leve, modular e fundamentada em recuperação que detecta e corrige alucinações em Grandes Modelos de Linguagem de forma eficaz, aproveitando a recuperação de evidências por TF-IDF e verificação ponderada, alcançando alta precisão de detecção e redução significativa de alucinações sem o custo computacional da inferência de múltiplos LLMs.
Este artigo propõe um novo framework conceitual, Secure QoS-IPv6, que integra sinergicamente detecção de anomalias impulsionada por IA, uma blockchain de consórcio leve e roteamento baseado em Aprendizado por Reforço Profundo dentro de uma arquitetura de quatro camadas de SDN e 6TiSCH para abordar holisticamente desafios de segurança, confiança e Qualidade de Serviço em redes IoT IPv6 heterogêneas e com recursos limitados.
Este estudo demonstra que os resultados de risco de citação para artigos de gastroenterologia clínica podem ser previstos com precisão utilizando apenas informações do tempo de publicação, com baselines não semânticos e embeddings de documento completo alcançando alto desempenho na identificação de artigos de baixa citação dentro de um corpus de literatura delimitado.
O artigo propõe o CAFR, um framework de detecção de dois caminhos que aprimora a detecção de objetos desconhecidos ao empregar um mecanismo de retificação assimétrica para prevenir o excesso de confiança em categorias conhecidas e uma modelagem de primeiro plano guiada por protótipos para melhorar a estimativa de "objectness", alcançando assim precisão e pontuações F1 superiores, enquanto mantém o desempenho estável de categorias conhecidas.