9246 artículos
Este artículo propone un marco de explicabilidad multi-nivel que valida la robustez y consistencia de las explicaciones SHAP en modelos de aprendizaje automático para el diagnóstico y pronóstico de la enfermedad de Alzheimer, demostrando que las explicaciones basadas en marcadores cognitivos y funcionales son estables y transferibles entre diferentes etapas de la enfermedad y arquitecturas de modelos.
Este artículo presenta un marco general de co-diseño anidado basado en gradientes que optimiza simultáneamente la forma aerodinámica y el planificador de control para robots alados, utilizando un modelo sustituto neuronal para manejar condiciones de flujo complejas y lograr un rendimiento superior en tareas como el aterrizaje y el perching en comparación con métodos evolutivos.
Este artículo propone un método de colocation adaptativa y consciente de la diversidad para las Redes Neuronales Informadas por Física (PINNs), formulando la selección de puntos como un problema de optimización QUBO/BQM dispersa con anclajes híbridos para construir un núcleo eficiente que reduzca la redundancia y mejore la precisión en la resolución de EDPs como la ecuación de Burgers.
Este artículo presenta un estudio de viabilidad que demuestra cómo el aprendizaje simbólico, aplicado a datos simulados de un proceso de oxidación de etileno, supera a los métodos basados en redes neuronales en la detección de fallos químicos al ofrecer modelos predictivos precisos, interpretables y generalizables.
Este artículo presenta el HGT-Scheduler, un marco de aprendizaje por refuerzo que utiliza Transformadores de Grafos Heterogéneos para modelar el problema de la programación de trabajos (JSSP) como un grafo heterogéneo, logrando así capturar patrones relacionales específicos del tipo de arista y superar a los enfoques de grafos homogéneos en la obtención de políticas de programación efectivas.
SpatialMAGIC es un marco híbrido que integra difusión gráfica y atención espacial para imputar datos de transcriptómica espacial, superando a los métodos existentes en precisión de agrupamiento y mejorando la detección de genes biológicamente relevantes mientras preserva la arquitectura tisular.
El artículo presenta xaitimesynth, un paquete de Python de código abierto que facilita la evaluación de métodos de atribución para series temporales mediante la generación de datos sintéticos con verdad fundamental conocida y métricas de localización estandarizadas.
Este artículo presenta un modelo de difusión informado por física basado en Context-UNet que genera imágenes satelitales sintéticas de eventos meteorológicos extremos y raros, condicionadas a parámetros atmosféricos clave, para mitigar la escasez de datos y mejorar la detección de ciclones tropicales de rápida intensificación.
El artículo presenta la Regularización de Política Optimista (OPR), un mecanismo ligero que mejora la eficiencia de muestras y el rendimiento final en aprendizaje por refuerzo profundo al preservar y reforzar las trayectorias históricamente exitosas, superando a métodos de referencia en entornos como Atari y CAGE Challenge 2.
El artículo presenta Best-of-Tails (BoT), un marco de alineación en tiempo de inferencia que adapta dinámicamente su estrategia entre enfoques optimistas y pesimistas basándose en la heaviness de la cola de la distribución de recompensas, utilizando el estimador de Hill y la divergencia de Tsallis para mejorar el rendimiento en diversas tareas de razonamiento y preferencias humanas.
El artículo presenta AceMAD, un marco de debate multiagente que rompe la "maldición de la martingala" al aprovechar la asimetría en el potencial cognitivo entre agentes que poseen la verdad y la mayoría alucinada, transformando así el proceso de consenso en una convergencia dirigida hacia la verdad mediante reglas de puntuación estrictamente propias.
Este artículo presenta un modelo híbrido de aprendizaje automático que combina las arquitecturas VGG-19, Efficient-Net y ResNet50 con un clasificador Bi-LSTM para lograr una detección temprana de parálisis cerebral en imágenes de resonancia magnética cerebral con una precisión del 98,83%, superando a los modelos individuales preentrenados.
El artículo presenta la "especificación de contexto" como un proceso fundamental que transforma las perspectivas difusas de los interesados en constructos claros y medibles, permitiendo evaluar cómo los sistemas de IA generarán valor real en los entornos operativos específicos de las organizaciones.
Este artículo propone que en el aprendizaje por refuerzo multiagente descentralizado, la inestabilidad del límite entre agente y mundo, provocada por las actualizaciones de políticas de los pares, genera un problema de aprendizaje continuo al destruir las estructuras de decisión invariantes que permiten la transferencia de conocimiento entre episodios.
Este estudio presenta una base de datos exhaustiva de 23.793 presentaciones de la Sociedad de Investigación en Trabajo Social (SSWR) de 2005 a 2026, compilada y analizada con asistencia de IA, que revela un crecimiento significativo en la participación, la colaboración y la diversidad metodológica dentro de la disciplina.
El estudio propone que el "Triada Oscura" (narcisismo, psicopatía y maquiavelismo) sirve como un marco válido para crear organismos modelo de desalineación, demostrando que tanto en humanos como en modelos de lenguaje avanzados, estas tendencias antisociales pueden inducirse y generalizarse mediante intervenciones de ajuste fino mínimas, revelando así estructuras latentes compartidas entre la inteligencia biológica y artificial.
El estudio revela que la calidad del anclaje visual paso a paso en modelos visión-lingüísticos de largo horizonte es un indicador predictivo clave de su capacidad de generalización fuera de distribución, superando a la precisión final tradicional como medida de fiabilidad.
El artículo presenta Twitch, una herramienta que descubre automáticamente abstracciones (patrones de términos recurrentes) en demostraciones de teoremas para guiar al probador equacional Twee, logrando resolver problemas de igualdad unitaria previamente no resueltos y acelerando significativamente la demostración de otros.
Este artículo presenta un método de interpretabilidad mecánica para identificar y amplificar mediante intervención en tiempo de inferencia las "cabezas especializadas en audio" dentro de los modelos de lenguaje-audio, logrando así mejorar la precisión de estos modelos en tareas multimodales sin necesidad de actualizar sus parámetros.
El artículo presenta \textbf{\texttt{C3}}, un método de asignación de crédito contrafactual contextual que mejora el aprendizaje por refuerzo multiagente impulsado por LLMs al aislar el impacto causal de mensajes individuales mediante reproductores de continuación fija y una línea base de exclusión, logrando así una asignación de crédito más precisa y un mejor rendimiento en tareas de colaboración.