6292 artículos
Este artículo presenta un nuevo algoritmo de búsqueda local eficiente que descubre comunidades polarizadas en redes firmadas permitiendo vértices neutrales, resolviendo el problema del desequilibrio de tamaños mediante un objetivo de optimización novedoso y garantizando una convergencia lineal.
Este trabajo demuestra que el uso de Low-Rank Adaptation (LoRA) en el aprendizaje federado para modelos de lenguaje grandes reduce significativamente la memorización no deseada de datos de entrenamiento, mejorando la privacidad sin sacrificar el rendimiento en diversos dominios de alto riesgo.
El artículo presenta Prompt-SID, un marco de aprendizaje auto-supervisado para la eliminación de ruido en imágenes individuales que preserva los detalles estructurales mediante un modelo de difusión latente para generar prompts estructurales y un mecanismo de repetición de escala para mitigar las diferencias de resolución.
Este artículo presenta un marco matemático discreto basado en particiones granulares y una medida de pérdida de información (KL-CU) para cuantificar y optimizar el equilibrio entre la fidelidad informativa y la interpretabilidad en sistemas de IA, demostrando que la pérdida nula es un caso excepcional y no un estándar realista.
El artículo propone el marco Texts as Time Series (TaTS), que aprovecha las propiedades periódicas de los textos emparejados con series temporales para mejorar las tareas de predicción e imputación multimodal en modelos numéricos existentes sin necesidad de modificar su arquitectura.
El artículo presenta LaVCa, un enfoque basado en modelos de lenguaje grande que genera descripciones en lenguaje natural de la selectividad de los voxels en la corteza visual, superando a los métodos anteriores al revelar propiedades funcionales más detalladas y diferenciaciones finas en el procesamiento visual humano.
El artículo presenta el marco COD (Clustering-On-Difficulty), que agrupa tareas por sus características de dificultad para predecir con alta precisión el rendimiento a escala de los modelos de lenguaje grandes, logrando un error promedio de solo 1,55 % en ocho benchmarks clave.
Este estudio presenta un algoritmo que fusiona imágenes de resonancia magnética multimodal (T1, T2, T1ce y FLAIR) mediante técnicas de segmentación 2D/3D con U-Net y promedios ponderados, logrando una clasificación de subclases de gliomas con una precisión del 99,25% utilizando un modelo ResNet50.
Este estudio propone un enfoque de aprendizaje profundo basado en arquitecturas como UNET, Inception y ResNet para la segmentación automática de gliomas en imágenes de resonancia magnética 2D y 3D, logrando una alta precisión y equilibrio entre eficiencia computacional y exactitud espacial que supera las limitaciones de los métodos tradicionales.
El artículo presenta LOOP, un nuevo método de aprendizaje por refuerzo para el ajuste fino de modelos de difusión texto-a-imagen que combina técnicas de reducción de varianza de REINFORCE con la robustez de PPO para lograr un mejor equilibrio entre eficiencia de muestreo y rendimiento final.
Este artículo presenta un nuevo marco de planificación y actuación paralelizada para sistemas multiagente basados en modelos de lenguaje grandes en Minecraft, que supera las limitaciones de ejecución secuencial mediante una arquitectura de doble hilo con interrupciones para mejorar la capacidad de respuesta en tiempo real.
Este estudio presenta GlucoLens, un sistema de aprendizaje automático explicable que utiliza datos de wearables y dietas para predecir la hiperglucemia postprandial y descubrir vías de tratamiento conductual mediante explicaciones contrafactuales, logrando un rendimiento superior al de los modelos comparativos en un ensayo clínico.
Este trabajo propone un modelo de aprendizaje profundo geométrico basado en transformadores que utiliza mallas tetraédricas y puntos de referencia anatómicos para mejorar el diagnóstico de la enfermedad de Alzheimer y predecir la positividad de amiloide cerebral en pacientes de riesgo medio, evitando así la necesidad de costosos y invasivos escáneres PET.
Este estudio analiza el impacto de la inteligencia artificial y la retroalimentación entre pares en el desarrollo de la escritura académica de 36 investigadores kazajos mediante la plataforma CGScholar, revelando que, aunque existe una disposición positiva hacia la asistencia de la IA, los participantes valoran especialmente la orientación metodológica proporcionada por sus pares.
El artículo presenta ViLAM, un método que destila el razonamiento de modelos de visión-idioma en mapas de atención espacial para mejorar la navegación socialmente compliant de robots, logrando mejoras significativas en la tasa de éxito mediante experimentos reales.
El artículo presenta IMPACT, un marco de planificación de movimiento que utiliza Modelos Visuales-Lingüísticos para inferir la semántica del entorno y generar mapas de costos anisotrópicos, permitiendo a los robots encontrar trayectorias estables y seguras que incluyen contactos aceptables en entornos desordenados.
El artículo presenta iProg, una herramienta de programación inductiva estructurada interactiva que combina la descripción natural de tareas con la intervención humana y modelos de lenguaje para generar diagramas de flujo de datos y código, logrando un desarrollo de sistemas de análisis científico más rápido, fiable y de mayor calidad que las alternativas de "No Code".
Este estudio revela que, aunque los Grandes Modelos de Lenguaje (LLM) tienden a sobrerrepresentar a las mujeres en sus historias generadas debido al ajuste fino y al aprendizaje por refuerzo, paradójicamente siguen asignándoles roles ocupacionales que reflejan estereotipos de género más que la realidad laboral actual.
Este trabajo presenta un método unificado para la reconstrucción robusta de dos manos a partir de imágenes monoculares que combina la alineación de priores estructurales heterogéneos de modelos fundacionales en 2D con un modelo de difusión libre de penetración en 3D para lograr interacciones físicamente creíbles y resistentes a oclusiones.
El paper presenta EDU-PRM, un nuevo modelo de recompensa de proceso que utiliza la incertidumbre basada en entropía para segmentar automáticamente los pasos de razonamiento sin anotaciones manuales, logrando un rendimiento superior en el benchmark ProcessBench con solo el 1,5% de los datos de entrenamiento y reduciendo significativamente el uso de tokens.