5592 artículos
El proyecto MediTools presenta una aplicación prototipo que utiliza modelos de lenguaje grandes (LLM) para revolucionar la educación médica mediante herramientas interactivas de simulación clínica, análisis de literatura y resúmenes de noticias, validando su potencial a través de una encuesta con profesionales y estudiantes.
Este estudio mejora la predicción del síndrome metabólico mediante un marco híbrido innovador llamado MetaBoost que optimiza el equilibrio de datos y un análisis contrafactual que identifica la glucosa y los triglicéridos como los factores modificables más críticos para reducir el riesgo.
Este artículo presenta una revisión exhaustiva que unifica la evaluación de modelos de lenguaje y agentes autónomos mediante una taxonomía de aproximadamente 60 benchmarks, analiza marcos de trabajo y protocolos de colaboración, y explora aplicaciones reales junto con recomendaciones para futuras investigaciones en razonamiento avanzado y seguridad.
El artículo presenta SFIBA, un ataque de puerta trasera invisible basado en el espacio que garantiza la especificidad y el sigilo en escenarios de caja negra mediante la restricción de los desencadenantes a regiones espaciales locales y su inyección en el dominio de la frecuencia, logrando así un alto rendimiento de ataque multiobjetivo sin comprometer la detección o el rendimiento del modelo.
Este trabajo presenta la Tarea 5 del Desafío DCASE 2025, un nuevo benchmark de respuesta a preguntas sobre audio que abarca múltiples dominios acústicos para evaluar y mejorar las capacidades de razonamiento de los modelos de audio-lenguaje.
Este estudio demuestra que, aunque el contenido generado por IA mejora la calidad del trabajo, la carga cognitiva extrínseca —particularmente la provocada por cambios de tarea iniciados por el modelo— tiene un impacto negativo tres veces mayor que la carga intrínseca, penalizando desproporcionadamente a los profesionales menos experimentados.
El artículo presenta Ready2Unlearn, un enfoque de optimización durante el entrenamiento que prepara proactivamente a los modelos de aprendizaje automático para futuras solicitudes de olvido mediante principios de meta-aprendizaje, mejorando así la eficiencia y la integridad del proceso de eliminación de datos.
El artículo presenta FreeKV, un marco de co-optimización sin entrenamiento que combina técnicas de recuperación especulativa y corrección de granularidad fina con una arquitectura de sistema híbrida en CPU/GPU para lograr una aceleración de hasta 13 veces en la inferencia de LLMs manteniendo una precisión casi sin pérdidas.
Este artículo presenta un enfoque neuro-simbólico que combina la recuperación de problemas análogos y la verificación formal para mejorar significativamente la precisión en la generación de pruebas de geometría euclidiana por parte de modelos de lenguaje grandes, superando sus limitaciones en el razonamiento lógico riguroso.
El documento presenta MAS-ZERO, un marco de diseño de sistemas multiagente autoevolutivo que, sin supervisión ni conjunto de validación, optimiza dinámicamente la descomposición de problemas y la composición de agentes en tiempo de inferencia, superando significativamente a los enfoques manuales y automáticos existentes en tareas de razonamiento, codificación y búsqueda.
Este artículo presenta AgarCL, una plataforma de investigación basada en el juego Agar.io diseñada para el aprendizaje por refuerzo continuo que, a través de sus dinámicas no episódicas y complejas, revela que los métodos actuales de aprendizaje continuo apenas superan a los algoritmos estándar, indicando que los desafíos van más allá del dilema de estabilidad-plasticidad.
Este artículo presenta un marco teórico general que establece un principio de máximo y una ecuación de Hamilton-Jacobi-Bellman para el control óptimo de densidades de probabilidad en espacios de dimensión infinita, junto con un algoritmo numérico escalable basado en redes neuronales profundas para resolver problemas de control multiagente a gran escala.
Este artículo presenta un nuevo enfoque que mejora la seguridad de los modelos de lenguaje frente a inyecciones de instrucciones al inyectar señales de jerarquía de instrucciones en las representaciones intermedias de la red mediante embebidos entrenables, logrando una reducción significativa en la tasa de éxito de los ataques sin comprometer la utilidad del modelo.
El artículo presenta OCN, un nuevo enfoque de predicción de enlaces que utiliza la ortogonalización y la normalización para eliminar la redundancia y el sobre-alisado en los vecinos comunes de alto orden, logrando un rendimiento superior al de los métodos existentes en diversos benchmarks.
Este trabajo propone una nueva representación de entornos proteicos locales derivada de modelos fundamentales atómicos que captura eficazmente tanto la estructura como las características químicas, permitiendo la construcción de predictores de desplazamiento químico con precisión de vanguardia y abriendo nuevas vías para el modelado de proteínas.
Este trabajo presenta MMTU, un nuevo benchmark a gran escala con más de 28.000 preguntas sobre 25 tareas de tablas del mundo real diseñado para evaluar exhaustivamente las capacidades de comprensión, razonamiento y manipulación de datos estructurados en modelos de lenguaje, revelando que incluso los modelos más avanzados actuales tienen un margen significativo de mejora.
Este artículo presenta BemaGANv2, un vocador basado en GAN optimizado para la generación de audio de larga duración que introduce innovaciones arquitectónicas como el módulo AMP y el Discriminador de Sobres Multi-Envolvente (MED), evaluando sistemáticamente diversas estrategias de combinación de discriminadores para mejorar la coherencia temporal y la fidelidad del audio.
El artículo presenta Co-LoRA, un enfoque de aprendizaje federado personalizado que aborda la heterogeneidad tanto de datos como de modelos mediante una estrategia de agregación consciente de la relevancia de la tarea y un módulo adaptable a diferentes arquitecturas, validado en un nuevo benchmark multimodal que demuestra un rendimiento superior al estado del arte.
El marco ContextMatters mejora la planificación de agentes encarnados en entornos 3D complejos al fusionar modelos de lenguaje grandes con planificación clásica para relajar jerárquicamente los objetivos y adaptar las metas al contexto, logrando una tasa de éxito un 52,45% superior a las soluciones existentes y validándose en un robot real.
Este artículo presenta GLMask, un enfoque de aprendizaje semi-autosupervisado que transforma la segmentación semántica en segmentación de instancias con mínima anotación manual, logrando un rendimiento superior al estado del arte en la detección de espigas de trigo y en el conjunto de datos COCO.