4724 artículos
Este artículo propone un marco ligero para la agregación verificable en el aprendizaje federado entre silos que reutiliza inyecciones de puertas traseras para crear pruebas intrínsecas efímeras, logrando una detección robusta de servidores maliciosos con una aceleración superior a 1000 veces en comparación con los métodos criptográficos tradicionales.
El artículo propone RandMark, un método de marcaje de agua aleatorio que utiliza una pequeña red codificadora-decodificadora para incrustar marcas de agua en representaciones internas de modelos fundacionales visuales, permitiendo verificar su propiedad y detectar copias funcionales con baja probabilidad de falsos positivos y negativos.
El artículo presenta EvoSchema, un nuevo benchmark que evalúa y mejora la robustez de los sistemas de texto-a-SQL frente a la evolución de esquemas de bases de datos mediante una taxonomía de perturbaciones que revela el impacto crítico de los cambios a nivel de tabla y demuestra que el entrenamiento con datos perturbados genera modelos más resilientes.
Este artículo demuestra que el uso de datos vinculados estructurados, específicamente mediante páginas de entidades optimizadas para agentes que integran instrucciones, migas de pan y capacidades de búsqueda neuronal, mejora significativamente la precisión y la calidad de las respuestas en sistemas de Recuperación Aumentada por Generación (RAG) tanto estándar como agénticos.
El artículo presenta AlphaFlowTSE, un modelo generativo condicional de un solo paso para la extracción de hablantes objetivo que, mediante un objetivo AlphaFlow libre de productos vectoriales-jacobiano y una estrategia de enseñanza-estudiante, mejora la fidelidad del habla y la generalización en escenarios reales sin depender de coordenadas temporales mixtas.
El artículo presenta PV-VASM, un marco probabilístico modelo-agnóstico que verifica formalmente la robustez de los modelos de detección de suplantación de voz frente a técnicas de síntesis de voz no vistas y perturbaciones, proporcionando un límite superior teórico para la probabilidad de error.
Este artículo presenta CTCNet, un nuevo enfoque de red neuronal que integra conocimiento regulatorio y compensación espectral cruzada para mejorar la comprensión del tráfico aéreo en condiciones adversas, junto con la creación de Traffic-VQA, el primer conjunto de datos de referencia a gran escala óptico-térmico para esta tarea.
Este artículo presenta HIR-SDD, un nuevo marco de detección de deepfakes de voz que combina Modelos de Lenguaje de Audio Grandes con razonamiento de cadena de pensamiento derivado de un conjunto de datos anotado por humanos para mejorar la generalización y la interpretabilidad de las predicciones.
El artículo presenta CUPID, un marco de trabajo modular que estima de forma conjunta la incertidumbre aleatoria y epistémica en redes neuronales preentrenadas sin necesidad de reentrenamiento, ofreciendo una solución interpretable y adaptable para la toma de decisiones en entornos de alto riesgo.
El artículo presenta DeepRDFC, un marco de aprendizaje profundo basado en autoencoders que optimiza la simulación de canales distribuidos para la computación de funciones aleatorizadas, logrando un rendimiento superior y una mayor eficiencia en la carga de comunicación en comparación con los métodos tradicionales de compresión de datos.
El artículo presenta "Super Neurons", un método de sondeo que utiliza activaciones escalares en las capas superficiales de los modelos de lenguaje visual para lograr clasificadores precisos con una aceleración de hasta 5,10 veces mediante la salida temprana del modelo.
Este artículo presenta un marco de inteligencia artificial que mejora la predicción espacial de la demanda de tráfico celular para la planificación de redes 5G/6G mediante una estrategia de división de datos consciente del contexto y corrección de errores residuales, logrando así una mayor generalización espacial y una reducción del error en comparación con métodos tradicionales.
Este artículo presenta un modelo de red neuronal de atención gráfica jerárquica (HR-GAT) que estima la demanda de espectro a escala espacial fina utilizando registros públicos, logrando una precisión superior a la de métodos existentes y facilitando la gestión y asignación eficiente del espectro para reguladores.
Este trabajo propone un marco de evaluación de seguridad para modelos de lenguaje en el sector financiero que introduce la puntuación de daño ajustada al riesgo (RAHS) y un pipeline de red teaming automatizado para cuantificar la severidad operativa de las vulnerabilidades específicas del dominio, demostrando que la interacción adversaria sostenida y la estocasticidad en la decodificación aumentan tanto el éxito de los jailbreaks como la gravedad de las divulgaciones financieras.
El artículo propone el desarrollo "Nurture-First" (NFD), un nuevo paradigma que construye agentes de IA expertos mediante interacciones conversacionales estructuradas con practicantes del dominio para cristalizar progresivamente el conocimiento tácito, superando así las limitaciones de los enfoques tradicionales basados en código o prompts estáticos.
El artículo presenta MCCOP, un marco que utiliza optimización latente guiada por difusión para generar mutaciones mínimas y biológicamente plausibles que modifican las propiedades de las proteínas según lo deseado, ofreciendo así una herramienta interpretable para el diseño y la ingeniería de proteínas.
Este artículo presenta un protocolo de evaluación que revela la débil capacidad de verificación de hablantes en los LLMs conscientes del habla y propone una solución de aumento ligera que integra embeddings de hablantes congelados con adaptadores LoRA, logrando un rendimiento comparable a sistemas dedicados en modelos como TinyLLaMA-1.1B.
El artículo presenta BALD-SAM, un marco de aprendizaje activo espacial que adapta la incertidumbre epistémica mediante el criterio BALD para seleccionar automáticamente las ubicaciones de los prompts más informativas en el modelo Segment Anything (SAM), logrando un rendimiento superior al de la anotación humana y baselines existentes en múltiples dominios con un coste computacional reducido.
Este artículo presenta REFINED-BIAS, un nuevo marco de evaluación y conjunto de datos diseñado para superar las limitaciones de inestabilidad y ambigüedad del benchmark de conflicto de señales actual, permitiendo un diagnóstico más fiable y comparable de los sesgos de forma y textura en redes neuronales.
Este artículo presenta la primera solución de detección de presencia humana en portátiles comerciales que utiliza exclusivamente su hardware Wi-Fi integrado mediante una nueva técnica de espectro Doppler filtrado por rango (RF-DS) y un marco de procesamiento adaptativo, eliminando la necesidad de sensores externos, infraestructura adicional o problemas de privacidad asociados a las cámaras.