5970 artículos
Este estudio demuestra que los Modelos de Lenguaje Grande (LLM) reproducen estereotipos de género al analizar registros médicos en francés, revelando que evaluar las interacciones entre los determinantes sociales de la salud es esencial para detectar sesgos que las métricas tradicionales pasan por alto.
Este trabajo introduce el primer marco de pronóstico de movimiento de clase incremental en un entorno abierto que, mediante estrategias de autoetiquetado y muestreo de replay, mitiga el olvido catastrófico para predecir trayectorias de agentes dinámicos directamente desde imágenes de cámara, permitiendo la adaptación continua de sistemas de conducción autónoma a nuevas clases de objetos.
El artículo presenta CERES, un sistema automatizado de alerta temprana probabilístico y de acceso abierto que genera estimaciones semanales de 90 días sobre la inseguridad alimentaria aguda en 43 países de alto riesgo mediante la fusión de seis fuentes de datos y se compromete a la verificación pública prospectiva de sus predicciones.
Este trabajo presenta CoMoral, un nuevo conjunto de datos que revela cómo los modelos de lenguaje actuales priorizan el razonamiento moral sobre el sentido común y muestran un sesgo de enfoque narrativo al detectar contradicciones, lo que subraya la necesidad de mejorar su entrenamiento para lograr una mayor robustez en el razonamiento.
Este artículo presenta un conjunto de datos abierto, transparente y reproducible diseñado para evaluar la conformidad de los sistemas NLP y RAG con la Ley de IA de la UE, mediante la generación automatizada de tareas de clasificación de riesgos, recuperación de artículos y generación de obligaciones que superan las limitaciones de las evaluaciones manuales.
El artículo presenta OncoAgent, un agente de IA consciente de las directrices clínicas que genera automáticamente volúmenes tumorales en radioterapia sin necesidad de reentrenamiento, logrando un rendimiento comparable a modelos supervisados y una mayor preferencia clínica gracias a su capacidad de adaptación inmediata a diferentes guías y sitios anatómicos.
El artículo presenta VMoER, un enfoque bayesiano escalable que integra la cuantificación de incertidumbre en las capas de Mezcla de Expertos (MoE) de los modelos fundacionales mediante la inferencia variacional en la etapa de enrutamiento, logrando una mejora significativa en la estabilidad, calibración y detección de datos fuera de distribución con un costo computacional marginal.
El artículo presenta RoadLogic, una herramienta de código abierto que utiliza programación lógica y planificación de movimiento para convertir automáticamente especificaciones declarativas de escenarios de OpenSCENARIO en simulaciones ejecutables y verificadas, facilitando así la prueba sistemática de vehículos autónomos.
Este artículo identifica y explica teóricamente el "colapso de fusión" en modelos de lenguaje, demostrando mediante análisis empírico que la incompatibilidad de representaciones entre tareas, y no los conflictos en el espacio de parámetros, es la causa principal de la degradación catastrófica del rendimiento al combinar modelos especializados.
El artículo presenta EvoDriveVLA, un marco innovador de destilación colaborativa percepción-planificación que integra restricciones perceptuales autoancladas y optimización de trayectorias guiada por oráculos para superar las limitaciones de los modelos VLA en la conducción autónoma y lograr un rendimiento superior tanto en evaluaciones de circuito abierto como cerrado.
El artículo "Telogenesis" demuestra que las prioridades atencionales pueden emerger endógenamente sin recompensas externas mediante un mecanismo que prioriza la ignorancia, la sorpresa y el envejecimiento de la información, logrando así una cobertura adaptativa superior y la recuperación espontánea de la estructura ambiental latente.
El artículo presenta GenePlan, un marco novedoso que utiliza algoritmos evolutivos asistidos por modelos de lenguaje grandes para generar planificadores generalizados en Python que minimizan la longitud de los planes en tareas de planificación PDDL, logrando un rendimiento comparable al de los planificadores más avanzados y superando significativamente a otros enfoques basados en LLM.
Este artículo propone que la interacción entre el razonamiento humano y la inteligencia artificial generativa crea una "Tercera Entidad" emergente caracterizada por la "creación de atmósferas" (vibe-creation), un modo cognitivo que automatiza el conocimiento tácito y redefine la agencia, la epistemología y la educación mediante una emergencia asimétrica.
Este artículo presenta tcNF, un marco novedoso de flujos normalizadores condicionados temporalmente que mejora la detección de anomalías en series temporales multivariadas al modelar con precisión las dependencias temporales y la incertidumbre mediante un enfoque autoregresivo.
El artículo presenta EvoPrompt, un marco innovador que utiliza proyecciones compartidas de modality y una estrategia de entrenamiento evolutivo para adaptar modelos de visión y lenguaje a nuevas tareas con pocos datos sin olvidar el conocimiento preentrenado.
El artículo presenta EDA, un marco eficiente en parámetros y datos que restaura el rendimiento de la decodificación especulativa en modelos de lenguaje ajustados mediante una arquitectura desacoplada, una estrategia de regeneración de datos y un mecanismo de selección de muestras, logrando así una adaptación rápida y de bajo costo sin necesidad de reentrenamiento completo.
Este estudio propone un método novedoso que utiliza modelos de lenguaje grandes (LLM) para adaptar mensajes de desinformación a los rasgos de personalidad de los usuarios, demostrando que estas versiones personalizadas son más persuasivas que las genéricas y ofreciendo una evaluación automatizada que plantea importantes interrogantes éticos sobre su uso.
Este trabajo demuestra que el algoritmo de dualidad del espacio de estados de Mamba-2 puede implementarse completamente mediante primitivas estándar compiladas por XLA sin kernels personalizados, logrando una inferencia autoregresiva con caché portátil y de alto rendimiento en CPU, GPU y TPU.
El artículo presenta "Routing without Forgetting" (RwF), una arquitectura de transformador que aborda el aprendizaje continuo en línea mediante la generación dinámica de prompts a través de recuperación asociativa basada en energía, superando a los métodos existentes sin necesidad de identificadores de tarea explícitos ni optimización iterativa.
Este trabajo propone un formalismo general basado en la conservación de la energía y el principio de acción extrema que aproxima la retropropagación a través del tiempo (BPTT) mediante dinámicas neuronales locales y continuas, ofreciendo un marco biológicamente plausible para el aprendizaje espaciotemporal en el cerebro y extendiendo el modelo de Equilibrio Latente Generalizado (GLE).