2385 artículos
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.
El paper presenta EvoKernel, un marco de agentes autoevolutivos que utiliza un enfoque de memoria basado en valores para superar la escasez de datos en la síntesis de kernels para NPUs, logrando mejorar la precisión de los modelos de 11.0% a 83.0% y acelerar el rendimiento mediante un refinamiento continuo.
Este artículo presenta un Filtro de Partículas de Hitos Semánticos (SLPF) que integra la detección de troncos y postes con LiDAR 2D y GNSS para resolver el problema de la ambigüedad perceptiva en viñedos, logrando una localización robótica más precisa y robusta que los métodos basados únicamente en geometría o visión.
El artículo presenta , un modelo de valor generalista que fusiona adaptativamente una estimación previa con promedios empíricos de rollouts dispersos mediante pruebas estadísticas en tiempo real, logrando una reducción significativa de la varianza y un rendimiento superior en tareas de razonamiento matemático en comparación con métodos como GRPO y DAPO.
El artículo presenta GRACE, un simulador y conjunto de pruebas unificado en 2D que permite comparaciones transparentes y reproducibles entre diferentes niveles de abstracción (cuadrícula, mapa de rutas y continuo) para la planificación de trayectorias multiagente, facilitando así el estudio de las compensaciones entre fidelidad y escalabilidad en la investigación de robots múltiples.
Este trabajo presenta un corpus bilingüe (inglés/alemán) de registros de catálogo anotados con la Integrated Authority File (GND) y una taxonomía procesable por máquinas, diseñado para habilitar la clasificación multietiqueta consciente de la ontología y evaluar sistemas de IA que asistan a los catalogadores en la indexación a escala.
Este trabajo presenta un modelo eficiente de Difusión Transformer (DiT) que genera secuencias de ADN regulador específicas de tipo celular con una convergencia más rápida y menos memorización que los enfoques anteriores, mejorando además significativamente la actividad reguladora predicha mediante ajuste fino con DDPO.
Este trabajo propone el Muestreo Predictivo de Dinámicas (DPS), un método que utiliza inferencia bayesiana sobre un modelo oculto de Markov para predecir y seleccionar proactivamente los prompts más informativos durante el ajuste fino con aprendizaje por refuerzo de modelos de razonamiento grandes, reduciendo así significativamente el costo computacional de las simulaciones y acelerando el entrenamiento sin comprometer el rendimiento.
El artículo presenta PharmGraph-Auditor, un sistema innovador que combina una Base de Conocimiento Farmacéutico Híbrida (HPKB) con un paradigma de Verificación Basada en Conocimiento (CoV) para transformar a los modelos de lenguaje en motores de razonamiento transparentes y seguros, mejorando así la precisión y la trazabilidad en la verificación de recetas médicas.
LookaheadKV es un marco de expulsión de caché KV ligero que, al predecir puntuaciones de importancia futuras mediante módulos eficientes en lugar de generar borradores explícitos, logra una alta precisión y reduce el costo de expulsión hasta 14,5 veces en comparación con métodos anteriores.