9245 artículos
El artículo presenta ProtAlign, un marco de aprendizaje contrastivo que alinea las secuencias y estructuras de proteínas en un espacio de incrustación compartido para mejorar la recuperación cruzada, las tareas de predicción downstream y la interpretabilidad de la relación entre la secuencia y la estructura.
El artículo presenta UWPD, un nuevo paradigma para la detección universal de marcas de agua invisibles que, mediante el modelo FSNet y el conjunto de datos UniFreq-100K, identifica la presencia de marcas de agua sin necesidad de conocer el algoritmo de incrustación específico, superando las limitaciones de los métodos actuales que dependen de conocimientos previos.
Este artículo presenta un marco de fusión de retroalimentación bidireccional que integra el comportamiento humano y los factores ambientales para mejorar la precisión y la interpretabilidad en la predicción de la calidad del aire interior (CO2 y PM2.5), superando a los métodos tradicionales mediante módulos temporales duales y una función de pérdida compuesta.
El artículo presenta FutureBoosting, un enfoque híbrido que mejora significativamente la precisión de la predicción de precios eléctricos al integrar las capacidades de modelos fundacionales temporales congelados para generar características enriquecidas dentro de un marco de regresión, superando así a los modelos de vanguardia y reduciendo el error medio absoluto en más de un 30%.
El artículo presenta "Safe Transformer", un enfoque modular que inserta un bit de seguridad explícito en las capas de los modelos de lenguaje preentrenados para lograr una alineación segura, interpretable y controlable mediante un entrenamiento ligero que garantiza respuestas de rechazo o ayuda según el estado de dicho bit.
Este artículo presenta un enfoque de aprendizaje por refuerzo que extiende el rango operativo seguro de la navegación neuronal en multitudes densas mediante un codificado de observación invariante a la densidad y una recompensa informada por la física, logrando una generalización cero-shot que supera tanto el bloqueo de los métodos analíticos como las colisiones de los métodos basados en aprendizaje existentes.
Este artículo presenta Calibrated Credit Intelligence (CCI), un marco de trabajo orientado a la implementación que combina puntuadores bayesianos, gradient boosting con restricciones de equidad y una estrategia de fusión consciente del cambio de distribución para generar puntuaciones de riesgo crediticio precisas, bien calibradas y justas ante la deriva temporal.
El artículo presenta "Agent Hunt", un experimento que utiliza un mercado simulado basado en recompensas donde múltiples agentes de LLM colaboran de forma descentralizada para formalizar y demostrar teoremas de topología algebraica en un entorno de demostración interactiva, proponiendo lemas, compitiendo por recompensas y refinando iterativamente sus pruebas hasta que son verificadas por el asistente de demostración.
Este artículo propone la Sesión Neural Implícita Factorizada por Rango (RIB), una alternativa a la sesgo posicional relativa que permite el uso de FlashAttention en transformadores de superresolución, logrando así escalar el tamaño de las ventanas de atención hasta 96×96 y mejorar significativamente tanto la calidad de la imagen como la eficiencia computacional.
El artículo presenta ResearchEnvBench, un nuevo benchmark diseñado para evaluar la capacidad de los agentes autónomos para sintetizar entornos de ejecución funcionales a partir de repositorios de investigación, revelando que los modelos actuales tienen dificultades significativas en la resolución de dependencias y la gestión de versiones.
El artículo presenta ViroGym, un benchmark integral que evalúa modelos de lenguaje de proteínas en proteínas virales mediante la integración de datos experimentales a gran escala para mejorar la predicción de variantes y la selección racional de candidatos a antígenos.
Este artículo presenta un marco eficiente para el entrenamiento descentralizado de modelos de difusión heterogéneos que, al combinar objetivos de entrenamiento mixtos (DDPM y Flow Matching) y una arquitectura optimizada, reduce drásticamente los requisitos de cómputo y datos mientras mejora la calidad y diversidad de las imágenes generadas en comparación con enfoques anteriores homogéneos.
El artículo propone un marco de generación con restricciones que ajusta finamente modelos generativos preentrenados para producir muestras realistas dentro de regiones factibles complejas, logrando un nuevo equilibrio entre el cumplimiento de las restricciones y la calidad de la generación.
El artículo presenta StableDRL, un método de optimización de políticas que estabiliza el aprendizaje por refuerzo en modelos de lenguaje difusivos al reformular GRPO mediante un recorte incondicional y una auto-normalización para mitigar la inestabilidad causada por la estimación ruidosa de las razones de importancia.
El artículo presenta DIRECTER, un método de dirección de activación que mejora la capacidad de seguir instrucciones de los LLMs mediante un bucle de decodificación guiado por plausibilidad que ajusta dinámicamente la fuerza de dirección para evitar el sobreajuste sin sacrificar la calidad del texto.
El artículo presenta ButterflyViT, un método que logra una compresión de memoria de 354 veces para Vision Transformers con Mezclas de Expertos en dispositivos de borde, reemplazando el almacenamiento redundante de expertos independientes por una parametrización geométrica basada en un sustrato compartido y rotaciones aprendidas, lo que permite escalar sub-linealmente el número de expertos sin pérdida significativa de precisión.
El artículo presenta ProtAlign, un marco de alineación de preferencias multiobjetivo que optimiza modelos de plegado inverso preentrenados para equilibrar la capacidad de diseño estructural con propiedades de desarrollabilidad clave, como solubilidad y estabilidad térmica, sin requerir un ajuste manual exhaustivo.
Esta encuesta presenta un marco de evaluación exhaustivo que, al analizar cientos de modelos fundamentales robóticos, revela que su madurez industrial es actualmente limitada y desigual, destacando la necesidad de integrar sistemáticamente la seguridad, la viabilidad en tiempo real y la robustez en pilas de despliegue audibles para lograr una adopción exitosa.
El artículo presenta XMACNet, una red neuronal convolucional ligera y explicable que fusiona imágenes RGB e índices de vegetación mediante atención automática para clasificar enfermedades en chiles con alta precisión, superando a modelos existentes y facilitando su implementación en dispositivos de borde.
El artículo presenta ICD3, un enfoque novedoso para la detección de deriva de conceptos en datos desequilibrados que utiliza descriptores de clusters imparciales y clasificadores de un solo cluster para identificar y monitorear independientemente las derivas en conceptos minoritarios, evitando así el efecto de enmascaramiento por parte de los conceptos mayoritarios.