4648 artículos
Este estudio demuestra que un algoritmo neuromórfico nativamente espigante para resolver ecuaciones diferenciales parciales posee una robustez intrínseca y tolerancia a fallos, manteniendo su precisión incluso con la eliminación de hasta el 32% de las neuronas y el 90% de las espigas, gracias a su inspiración cerebral.
El artículo presenta DUCTILE, un enfoque de orquestación agencial basado en LLM que separa la adaptación dinámica de la ejecución determinista para automatizar tareas de análisis de ingeniería en entornos industriales, logrando resultados correctos y cumpliendo criterios metodológicos mientras supervisa la tensión entre la eliminación de tareas rutinarias y la creación de roles de supervisión exigentes.
Este artículo propone un marco unificado de aprendizaje contrastivo cruzado que alinea representaciones globales de imágenes cerebrales y locales de regiones de interés (ROI) en un espacio latente compartido, demostrando que esta integración mejora significativamente la clasificación de trastornos neurológicos en comparación con el uso de cada modalidad por separado.
Este artículo presenta un marco convergente de Plug-and-Play basado en ADMM que integra un nuevo desruidor AC-DC para resolver la discrepancia de variedades y garantizar la convergencia en problemas inversos mediante modelos generativos basados en puntuación.
Este artículo presenta un sistema de diseño centrado en el usuario que utiliza inteligencia artificial conversacional y mapas interactivos para permitir la consulta en lenguaje natural de casi 1,7 millones de registros de especímenes digitalizados del Museo Australiano, superando las limitaciones de las herramientas de gestión de datos convencionales.
Este estudio demuestra que el entrelazamiento cuántico proporciona una ventaja competitiva en juegos adversarios de suma cero, permitiendo a agentes híbridos entrenados en Pong superar a sus contrapartes separables y a redes neuronales clásicas al aprender representaciones estructurales distintas de las interacciones entre agentes.
El artículo presenta HyMEM, una memoria estructurada híbrida y autoevolutiva inspirada en el cerebro humano que combina nodos simbólicos discretos con incrustaciones continuas para mejorar significativamente el rendimiento de los agentes de GUI de código abierto, permitiéndoles igualar o superar a modelos propietarios avanzados.
Este artículo introduce el marco conceptual "Simulation-in-the-Reasoning" (SiR), que integra simuladores específicos del dominio en el ciclo de razonamiento de los modelos de lenguaje para transformar el razonamiento hipotético en un flujo de trabajo falsable y empíricamente validado, con el objetivo de desarrollar sistemas de transporte autónomo más confiables y fundamentados en datos reales.
Este artículo presenta RINoBench, el primer benchmark integral para evaluar la capacidad de los modelos de lenguaje grandes para juzgar la novedad de las ideas de investigación, revelando que, aunque sus razonamientos imitan a los humanos, sus juicios finales a menudo divergen significativamente de los estándares humanos.
El paper presenta NasoVoce, una interfaz montada en la nariz que fusiona señales acústicas y de vibración para capturar el habla silenciosa y susurrada de manera robusta frente al ruido, permitiendo interacciones de voz discretas y siempre disponibles con IA.
El artículo presenta PC-Diffuser, un marco de seguridad que integra una función de barrera de cápsulas consistente con la trayectoria directamente en el bucle de desruido de los planificadores basados en difusión para garantizar la viabilidad dinámica y la seguridad sin distorsionar la geometría de la ruta aprendida.
Este estudio compara sistemáticamente la equidad de los rerankers con y sin capacidades de razonamiento, concluyendo que el razonamiento por sí solo no mejora ni perjudica la equidad, ya que los modelos actuales preservan las características de equidad de sus entradas y presentan brechas demográficas independientes de la arquitectura.
El artículo presenta CGVD, un marco de inferencia libre de entrenamiento que supera la brecha entre precisión y razonamiento en modelos de visión-lenguaje-acción mediante la eliminación de distractores visuales y la preservación de la geometría espacial, logrando una tasa de éxito significativamente superior en entornos de manipulación altamente desordenados.
El artículo presenta FairFAL, un marco de aprendizaje activo federado adaptativo que supera los desafíos del desequilibrio de clases global y la heterogeneidad de datos mediante la selección inteligente de modelos de consulta, el etiquetado pseudo-guiado por prototipos y una estrategia de muestreo equilibrada, logrando un rendimiento superior en escenarios no IID.
Este artículo presenta DIBJudge, un marco de ajuste fino que mitiga el sesgo de traducción automática en los modelos de lenguaje multilingüe al aprender representaciones disociadas que aíslan los factores espurios mediante compresión de información variacional y penalización de la covarianza cruzada.
Este trabajo presenta GenCC, un marco que utiliza modelos de lenguaje grandes (LLM) para generar automáticamente funciones de utilidad de control de congestión, logrando mejoras significativas del 37% al 142% sobre los protocolos actuales al adaptar las estrategias de optimización a requisitos específicos de la aplicación.
El artículo presenta HEAL, un marco de aprendizaje sin refuerzo que supera las limitaciones del destilado tradicional mediante la integración de reparación asistida por entropía, estimación de incertidumbre y un currículo evolutivo progresivo para transferir eficazmente capacidades de razonamiento de modelos grandes a modelos más pequeños.
Este artículo presenta un marco de fusión dinámica de conocimientos que aborda los desafíos del seguimiento de estado de diálogo en múltiples dominios mediante el uso de aprendizaje contrastivo para seleccionar slots relevantes y su integración como prompts contextuales, logrando así una mayor precisión y generalización en escenarios de diálogo complejos.
Este trabajo propone una reformulación causal de los sistemas de recomendación generativa mediante las arquitecturas AttnLFA y AttnMVP, las cuales eliminan la intercalación ineficiente de tokens para reducir la complejidad secuencial en un 50%, mejorar el rendimiento y disminuir el tiempo de entrenamiento en comparación con los métodos basales.
Este artículo propone un marco de adaptación de pocos ejemplos para entornos no estacionarios en robótica que, en lugar de modificar los pesos del modelo, estima un identificador de tendencia latente con regularización temporal para lograr una adaptación eficiente y sin olvido catastrófico.