8807 artículos
Este artículo propone un marco de mantenimiento prescriptivo que integra un modelo fundacional causal para simular intervenciones y optimizar la Eficacia Global del Equipo (OEE) mediante la identificación de causas raíz y la recomendación de acciones correctivas específicas.
El artículo presenta AltNet, un enfoque basado en redes gemelas que resuelve el dilema de plasticidad-estabilidad en el aprendizaje por refuerzo al permitir la restauración periódica de la plasticidad mediante el intercambio de roles entre dos redes, logrando así una mayor eficiencia y rendimiento sin sufrir caídas temporales en el desempeño.
El artículo propone un marco de "Suavizado Aleatorio Dual" que supera las limitaciones de la varianza de ruido global al utilizar un estimador de varianza dependiente de la entrada para lograr un rendimiento robusto superior tanto en radios pequeños como grandes, superando a los métodos anteriores en CIFAR-10 e ImageNet.
Este artículo presenta Graphectory, un marco de análisis centrado en procesos que representa las trayectorias de sistemas agénticos como grafos para revelar patrones de razonamiento y estrategias, demostrando que el monitoreo y la intervención en tiempo real basados en este análisis mejoran significativamente las tasas de resolución y reducen la longitud de las trayectorias.
Este artículo presenta la Regresión Isotónica Shapley Escasa (SISR), un marco unificado de explicación no lineal que aprende simultáneamente una transformación monótona para restaurar la aditividad y aplica una restricción de escasez L0 para identificar características relevantes de manera eficiente, superando así las limitaciones de distorsión y costo computacional de los valores Shapley estándar en escenarios de alta dimensionalidad y dependencias complejas.
El artículo presenta el Transformer de Decodificador Paralelo (PDT), una arquitectura que integra un mecanismo de coordinación interna mediante un espacio latente sembrado por un planificador y un protocolo de decodificación sincronizada, permitiendo que un modelo de lenguaje congelado resuelva subproblemas en paralelo de manera autónoma sin depender de orquestación externa.
Este trabajo aborda los desafíos de la extracción de redes viales en entornos no urbanos mediante el lanzamiento del conjunto de datos global WildRoad y la propuesta de MaGRoad, un marco de razonamiento centrado en el camino que supera las limitaciones de los métodos existentes al lograr un rendimiento superior y una inferencia más rápida.
El artículo presenta SALVE, un marco unificado que combina autoencoders dispersos y mapeo de saliencia para descubrir, validar y controlar de manera interpretable y permanente el comportamiento de redes neuronales mediante la edición de vectores latentes.
Esta encuesta propone un marco unificado de cuatro paradigmas para estudiar la adaptación de agentes de IA tras el preentrenamiento, abarcando tanto la mejora del propio agente como la de sus herramientas, memorias y habilidades, con el fin de analizar métodos, comparar compensaciones y resumir prácticas de evaluación en diversos dominios.
El artículo presenta LaMer, un marco de Meta-RL que permite a los agentes de lenguaje aprender y explorar activamente en tiempo de prueba mediante un entrenamiento cruzado de episodios y la adaptación de políticas en contexto, logrando mejoras significativas en el rendimiento y la generalización frente a métodos de RL tradicionales.
El artículo presenta "Re-Depth Anything", un marco de auto-supervisión en tiempo de prueba que mejora la estimación de profundidad monoculosa al fusionar modelos fundacionales con priores de modelos de difusión 2D a gran escala mediante un refinamiento basado en re-iluminación y muestreo de distorsión de puntuación (SDS), logrando resultados de vanguardia sin necesidad de etiquetas.
Este artículo demuestra que, en entornos de nube como Google BigQuery, la optimización de la velocidad de ejecución no garantiza la eficiencia de costos en sistemas Text-to-SQL, revelando que los modelos de razonamiento reducen significativamente el consumo de datos manteniendo una precisión equivalente, mientras que los modelos no de razonamiento presentan una variabilidad de costos extrema debido a patrones de ineficiencia en las consultas.
El artículo presenta NeuroSPICE, un marco de redes neuronales informadas por física que resuelve ecuaciones diferenciales-algebraicas de circuitos mediante la minimización de residuos, ofreciendo ventajas únicas para la optimización de diseño y la simulación de dispositivos emergentes no lineales, como memorias ferroeléctricas.
El marco de Codificación Congruente con la Conservación (CCE) propone una teoría física unificada e independiente del sustrato que vincula la inteligencia con procesos termodinámicos irreversibles, derivando límites universales para el cómputo y estableciendo un vínculo dinámico entre la disipación termodinámica, la medición cuántica y la geometría del espacio-tiempo.
Este artículo presenta un marco de evaluación centrado en la seguridad para la predicción de carga de la red eléctrica que, al demostrar que las métricas de precisión estándar son insuficientes para gestionar riesgos asimétricos, identifica la susceptibilidad de los modelos probabilísticos a la "falsa seguridad" por inflación de pronósticos y propone estrategias de integración meteorológica y objetivos restringidos para equilibrar la fiabilidad operativa con la eficiencia energética.
El artículo presenta DrivingGen, el primer benchmark integral para modelos de mundo generativos en conducción autónoma, que aborda las limitaciones actuales mediante un conjunto de datos diverso y nuevas métricas para evaluar de forma rigurosa la realismo visual, la plausibilidad de las trayectorias, la coherencia temporal y el control en la simulación de escenarios de conducción.
El artículo presenta "Batch-of-Thought" (BoT), un método sin entrenamiento que mejora el razonamiento de los modelos de lenguaje al procesar consultas relacionadas de forma conjunta para aprovechar patrones compartidos y verificaciones de consistencia, logrando así mayores precisión y eficiencia en comparación con el procesamiento independiente.
NC-Bench es un nuevo marco de evaluación para modelos de lenguaje grande que, fundamentado en el IBM Natural Conversation Framework, mide la competencia conversacional analizando la estructura y el flujo de la interacción en lugar del contenido, revelando mediante pruebas iniciales que los modelos dominan las respuestas básicas pero tienen dificultades con tareas de reparación y solicitudes complejas.
Este estudio audita y realiza una etnografía del predictor LAION-Aesthetics, revelando que su enfoque algorítmico de la calidad estética refuerza sesgos occidentales, masculinos e imperiales al filtrar desproporcionadamente imágenes que representan a mujeres y personas LGBTQ+, lo que subraya la necesidad de transitar hacia evaluaciones más plurales en lugar de medidas prescriptivas de "estética".
El artículo presenta CaMeLs, un marco de seguridad para agentes de uso informático que utiliza planificación de un solo disparo para lograr aislamiento arquitectónico y garantizar la integridad del flujo de control frente a inyecciones de instrucciones y ataques de desviación de ramas, logrando un equilibrio entre seguridad rigurosa y rendimiento funcional.