Este artigo de pesquisa propõe um método para detectar vasos sanguíneos da retina em imagens de fundo de olho usando um conjunto de Redes Neurais Convolucionais Profundas. A abordagem visa melhorar a precisão no diagnóstico médico por meio da análise avançada de imagens.
CAMO é uma nova técnica de ensemble otimizada para dados desbalanceados, que impulsiona classes minoritárias e melhora o desempenho geral. Avaliada em benchmarks com diferentes modelos de linguagem, CAMO consistentemente atinge a maior pontuação F1 macro, estabelecendo um novo padrão.
Uma pipeline de conjunto hierárquico é proposta para detecção de anomalias em dados de telemetria multivariados da Agência Espacial Europeia (ESA). Este método, que integra várias técnicas de extração de características e modelagem, demonstra forte generalização e eficácia na detecção de anomalias sutis em telemetria de satélites.
O artigo prova a impossibilidade de um ranqueamento de features ser fiel, estável e completo simultaneamente sob colinearidade, com a classificação para pares colineares se reduzindo a um cara ou coroa. Ele resolve esta impossibilidade através da agregação por ensemble (DASH), caracterizando o espaço de design de atribuição e quantificando o problema para várias classes de modelos.
DivSkill-SQL introduz uma estrutura de otimização de habilidades residuais para construir conjuntos de Text-to-SQL complementares, melhorando a precisão ao focar nas contribuições marginais para Pass@K. Ele alcança ganhos significativos de precisão no Spider2-Lite para Snowflake e BigQuery em relação às linhas de base de conjunto existentes.