2385 artículos
Este trabajo presenta un marco matemático unificado que demuestra la equivalencia entre el modelo generativo "Drifting" y el flujo de gradiente de Wasserstein de la divergencia KL bajo aproximación KDE, extendiendo este enfoque a otras divergencias, variedades riemannianas y estrategias mixtas para mitigar simultáneamente el colapso y el desenfoque de modos.
El artículo presenta el Marco de Aprendizaje Retrospectivo Progresivo (PRF), una solución modular que mejora la predicción de trayectorias en escenarios de conducción autónoma con observaciones incompletas mediante la alineación gradual de características y una estrategia de entrenamiento optimizada.
Este artículo presenta un marco innovador para sistemas de agentes auto-mejorables que extrae aprendizajes estructurados de las trayectorias de ejecución mediante análisis semántico y atribución de decisiones, permitiendo la recuperación contextual de estrategias, recuperaciones y optimizaciones que logran mejoras significativas en la finalización de tareas complejas.
El artículo propone la Recompensa de Expectativa Condicional (CER), un método que utiliza el propio modelo de lenguaje como verificador implícito para proporcionar señales de recompensa graduales y eliminar la dependencia de reglas de verificación manuales, mejorando así el aprendizaje por refuerzo en dominios de razonamiento generales y matemáticos.
Este artículo presenta un enfoque novedoso y explicable para detectar y eliminar backdoors en redes neuronales mediante el análisis de caminos activos, demostrando su eficacia experimental en un modelo de detección de intrusiones.
Este artículo presenta un marco novedoso que intercala planificadores de tareas y de movimiento en un bucle de aprendizaje incremental, donde el planificador de movimiento proporciona retroalimentación simbólica para guiar al programador hacia soluciones factibles, demostrando su eficacia en entornos logísticos y de trabajo compartido con restricciones espaciotemporales complejas.
El artículo presenta ROVA, un nuevo marco de entrenamiento que mejora la robustez de los modelos de razonamiento video-lingüístico ante perturbaciones del mundo real mediante una recompensa de consistencia y una estrategia de dificultad adaptativa, validado mediante el nuevo benchmark PVRBench que demuestra reducciones significativas en la degradación del rendimiento.
El artículo presenta FAME, un nuevo método de explicaciones abductivas basado en interpretación abstracta que escala a redes neuronales grandes reduciendo el tamaño de las explicaciones mediante dominios de perturbación dedicados y límites LiRPA, superando a VERIX+ en eficiencia y calidad.
El artículo presenta DxEvolve, un agente de diagnóstico autoevolutivo que emula la cognición clínica mediante un flujo de trabajo de investigación interactiva, logrando mejoras significativas en la precisión diagnóstica y estableciendo un camino auditable para la evolución continua de la inteligencia artificial clínica.
Este artículo presenta un marco de modelado digital humano multimodal e independiente de la plataforma que integra sensores biométricos (como el casco OpenBCI Galea) y un entorno de juego reproducible (SuperTux) para generar datos fisiológicos estructurados y sincronizados, facilitando así investigaciones futuras sobre interacción inclusiva e impulsada por IA sin depender de modelos de inferencia específicos.
El artículo presenta "Contract And Conquer" (CAC), un método de ataque adversarial en caja negra que garantiza la generación de ejemplos adversarios para modelos de redes neuronales mediante la destilación de conocimiento y la contracción del espacio de búsqueda, superando a los métodos actuales en el conjunto de datos ImageNet.
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.