4671 artículos
El estudio introduce el concepto de "escritura reactiva" para describir cómo la colaboración con IA desplaza la generación de ideas hacia la evaluación de sugerencias, lo que influye sutilmente en las opiniones de los autores sin que estos sean conscientes de dicha manipulación.
El artículo propone los Grafos Conceptuales Causales (CCG), un marco que combina autoencoders dispersos y aprendizaje de estructura diferenciable para mapear dependencias causales entre conceptos en el espacio latente de modelos de lenguaje, logrando una fidelidad causal significativamente superior en tareas de razonamiento paso a paso en comparación con métodos existentes.
Este artículo presenta una ley de escalado generalizada para modelos de Mezcla de Expertos (MoE) que define una fórmula óptima para la asignación dinámica de cómputo entre las capas de expertos y atención, permitiendo diseñar modelos más eficientes bajo presupuestos de recursos fijos.
El documento presenta TRACED, un marco teórico que evalúa la fiabilidad del razonamiento de los LLMs mediante cinemática geométrica, identificando que las respuestas correctas siguen trayectorias de alto progreso y estabilidad, mientras que las alucinaciones se caracterizan por desplazamientos estancados y alta curvatura que revelan bucles de duda.
Este artículo presenta un marco de control probabilístico seguro para la interacción humano-robot que combina funciones de barrera de control con control de riesgo conforme para ofrecer garantías formales de seguridad, reducir las colisiones y mantener la eficiencia en tareas de navegación mediante el ajuste dinámico de los márgenes de seguridad según el contexto de interacción.
Este artículo propone técnicas de elicitation de incertidumbre basadas en probabilidades imprecisas para capturar tanto la incertidumbre de primer orden (sobre las respuestas) como la de segundo orden (sobre el modelo de probabilidad) en los grandes modelos de lenguaje, superando así las limitaciones de los marcos probabilísticos clásicos en escenarios ambiguos y mejorando la fiabilidad de la toma de decisiones.
Este artículo analiza la dinámica de aprendizaje de redes lineales de dos capas entrenadas con SGD y ruido en las etiquetas, revelando un comportamiento bifásico donde el ruido impulsa la transición de un régimen "perezoso" a uno "rico" para mejorar la generalización, un hallazgo que también se extiende a algoritmos como SAM y se valida mediante experimentos exhaustivos.
Este artículo presenta PP-LUCB, un algoritmo que optimiza la selección de configuraciones de sistemas de servicio utilizando puntuaciones de modelos de lenguaje grandes corregidas mediante auditorías humanas selectivas para minimizar costos y garantizar la precisión frente a sesgos sistemáticos.
El artículo presenta STemDist, el primer método de destilación de datos diseñado específicamente para la predicción espacio-temporal, que comprime de manera equilibrada las dimensiones espaciales y temporales a nivel de clúster y mediante granularidad de subconjuntos, logrando entrenamientos hasta 6 veces más rápidos, 8 veces más eficientes en memoria y con un error de predicción hasta un 12% menor en comparación con métodos existentes.
Este trabajo propone un mecanismo de defensa multinivel que combina clasificadores apilados, un autoencoder y entrenamiento adversarial para mejorar la robustez de los sistemas de detección de intrusos en redes frente a ataques generados mediante GAN y FGSM.
Este artículo presenta un marco de aprendizaje de indicadores de salud adaptativo al dominio que combina un muestreo de lotes sincronizado por etapas de degradación y un autoencoder de fusión alineada entre dominios con mecanismos de atención cruzada para superar las discrepancias de distribución y las limitaciones estructurales en la modelado de señales de vibración complejas, logrando un rendimiento superior en sistemas de defensa y rodamientos industriales.
El artículo demuestra que la eliminación de un sesgo de media coherente de rango uno, principal causante de la inestabilidad numérica en el entrenamiento de modelos de lenguaje con cuantización FP4, permite recuperar la estabilidad y el rendimiento cercanos a BF16 mediante una operación simple y eficiente en hardware.
El artículo presenta FAR-Dex, un marco jerárquico que combina la generación de datos aumentados con pocas muestras y un refinamiento adaptativo de políticas residuales para lograr una manipulación hábil robusta y precisa mediante la coordinación brazo-mano, superando a los métodos actuales tanto en simulación como en el mundo real.
El artículo presenta UniPINN, un marco unificado de Redes Neuronales Informadas por Física (PINN) que aborda los desafíos del aprendizaje multi-tarea en ecuaciones de Navier-Stokes diversas mediante una arquitectura compartida-especializada, un mecanismo de atención entre flujos y una asignación dinámica de pesos, logrando así una mayor precisión y estabilidad en comparación con los métodos existentes.
El artículo presenta G-STAR, un sistema de reconocimiento automático de habla (ASR) con atribución de hablantes de extremo a extremo que combina un módulo de seguimiento temporal con un modelo de lenguaje grande (Speech-LLM) para generar transcripciones etiquetadas por hablante con consistencia global en conversaciones largas y superpuestas.
Este trabajo propone un marco unificado para la recomendación de noticias que modela la evolución de los intereses de los usuarios en etapas, combinando la captura de preferencias a largo plazo mediante un grafo global con el análisis de dinámicas a corto plazo a través de subgrafos temporales escalonados, superando así a los enfoques existentes en la gestión de la sensibilidad temporal de las noticias.
Este trabajo presenta SearchLLM, el primer modelo de lenguaje grande diseñado para la búsqueda generativa abierta, el cual utiliza un sistema de recompensas jerárquico y la optimización GRPO para alinear las respuestas con las preferencias de los usuarios y garantizar seguridad, logrando mejoras significativas en la calidad de generación y el compromiso del usuario en la plataforma RedNote.
Este trabajo propone un marco de alineación basado en la negociación multiagente que utiliza el aprendizaje por refuerzo a partir de la retroalimentación de IA (RLAIF) para entrenar a modelos de lenguaje grandes en la resolución de conflictos de valores mediante deliberación estructurada, logrando así una alineación con la Agencia Colectiva y una mejora en la capacidad de resolución de conflictos sin degradar las habilidades lingüísticas generales.
El artículo presenta JEDI, un modelo jerárquico que infiere conjuntamente dinámicas neuronales y representaciones contextuales compartidas a partir de registros experimentales, permitiendo una generalización escalable entre múltiples tareas y revelando mecanismos subyacentes en el control motor.
Este trabajo demuestra que la exposición ingenua de las capacidades de refinamiento y razonamiento de los sistemas de IA generativa comercial, accesibles mediante instrucciones benignas, socava fundamentalmente a los detectores de deepfakes actuales al permitir la creación de imágenes que evaden la detección, preservan la identidad y mejoran la calidad perceptual, revelando una desconexión crítica entre los modelos de amenazas existentes y las capacidades reales de estas herramientas.