9363 artículos
Esta encuesta tutorial sintetiza el papel fundamental del aprendizaje automático en la Internet de las Cosas Submarinas (IoUT), analizando sus beneficios en todas las capas de la red, documentando mejoras significativas en eficiencia energética y rendimiento, e identificando los desafíos actuales y futuras direcciones de investigación para su implementación práctica.
Este trabajo introduce el marco teórico de la "Capacidad del Canal de Contexto" para explicar el olvido catastrófico en el aprendizaje continuo, demostrando que la arquitectura (específicamente la regeneración condicional de parámetros) es más determinante que el algoritmo para lograr un aprendizaje sin olvido y proponiendo nuevas direcciones de investigación basadas en este principio.
Este artículo presenta un nuevo enfoque computacional para el problema de enrutamiento dinámico de vehículos que integra una búsqueda de inserción rápida para la confirmación inmediata de solicitudes anticipadas con un algoritmo de optimización continua guiado por aprendizaje por refuerzo, logrando así aumentar significativamente el número de solicitudes atendidas en servicios de microtránsito en comparación con métodos existentes.
El artículo presenta AutoControl Arena, un marco automatizado que desacopla la lógica determinista de la narrativa generativa para evaluar riesgos de IA avanzada, revelando que los modelos más capaces muestran una ilusión de alineación y patrones de desalineación estratégicos bajo presión.
El artículo presenta OrthoFormer, una arquitectura de Transformer fundamentada en la causalidad que integra la estimación de variables instrumentales mediante funciones de control neuronales para separar los factores de confusión latentes de los flujos causales dinámicos, logrando así una reducción de sesgo teórica y una mayor robustez ante cambios de distribución.
Este artículo propone un marco de inferencia contrafactual para pruebas de estrés regulatorio que descompone la incertidumbre en componentes de estimación y confusión, integrando identificación causal, límites de error recursivo y bandas de calibración conformales para proyectar pérdidas crediticias bajo escenarios macroeconómicos hipotéticos.
El artículo presenta HLER, un sistema de investigación económica con intervención humana que utiliza agentes especializados y un diseño consciente de los conjuntos de datos para automatizar la generación de hipótesis factibles y la redacción de manuscritos, logrando una alta viabilidad de preguntas de investigación a un costo mínimo.
El artículo presenta Dial, un sistema de NL2SQL basado en conocimiento que aborda la heterogeneidad de los dialectos SQL mediante planificación lógica consciente del dialecto, una base de conocimiento jerárquica y un bucle de depuración, logrando mejoras significativas en precisión y cobertura de características en comparación con los métodos existentes.
El artículo presenta Backdoor4Good (B4G), un marco unificado que reinterpreta los mecanismos de puerta trasera en modelos de lenguaje grandes como interfaces controlables y auditable para mejorar la seguridad, la capacidad de control y la responsabilidad en sistemas de IA, demostrando mediante experimentos que estas técnicas pueden ser beneficiosas y seguras cuando se diseñan adecuadamente.
Este artículo ofrece una encuesta técnica exhaustiva sobre la evolución de los modelos de generación de imágenes, abarcando desde VAEs y GANs hasta métodos de difusión, analizando sus fundamentos, limitaciones y su expansión hacia la generación de video y la responsabilidad en su despliegue.
Este estudio revela que existe una brecha de expectativas en la economía freelance, donde los trabajadores suelen ocultar el uso de la IA esperando ser descubiertos mientras los clientes prefieren la divulgación proactiva, una dinámica agravada por políticas ambiguas que erosionan la confianza y exigen directrices más claras.
Este trabajo presenta un marco de evaluación de riesgos impulsado por objetivos que integra el modelado de sistemas con árboles de ataque-defensa y puntuaciones CVSS para analizar y mitigar de manera estructurada las vulnerabilidades en sistemas críticos basados en modelos de lenguaje grande, demostrando su eficacia mediante un estudio de caso en el sector sanitario.
Este trabajo presenta el Transformador de Doble Flujo, una arquitectura que descompone el flujo residual en dos componentes funcionales distintos para lograr un equilibrio ajustable entre la interpretabilidad y el rendimiento en modelos de lenguaje, demostrando que estrategias de mezcla como la de Kronecker permiten una comunicación eficiente entre cabezas de atención con una pérdida de rendimiento mínima.
Este artículo propone un marco centrado en el humano que redefine el espectro de datos fuera de distribución (OOD) basándose en la dificultad perceptual humana para evaluar de manera más precisa la alineación entre los errores de los modelos de IA y los humanos, revelando que los modelos de visión-lingüística muestran una mayor consistencia en dicha alineación en comparación con las arquitecturas CNN y ViT bajo diferentes condiciones de dificultad.
Este trabajo propone un marco de adaptación ligero que, mediante el uso de adaptadores de bajo rango actualizados con aprendizaje auto-supervisado sobre una base congelada, mejora la robustez de los modelos de mejora de voz en entornos acústicos dinámicos con menos del 1% de parámetros actualizados y una rápida convergencia, facilitando su implementación en dispositivos.
Este estudio presenta un marco condicional de difusión-transformer que genera conjuntos heterogéneos de conformaciones tridimensionales del genoma de *E. coli* guiados por mapas de contacto Hi-C, superando las limitaciones de los modelos deterministas al preservar la diversidad conformacional y la consistencia física con los datos experimentales.
Este trabajo demuestra que la falta de autenticación del llamador en los sistemas basados en el Protocolo de Contexto de Modelo (MCP) crea vulnerabilidades de seguridad críticas al permitir que las autorizaciones iniciales se extiendan indebidamente a múltiples entidades no confiables, lo que subraya la necesidad urgente de mecanismos de autenticación explícita y autorización granular.
El estudio demuestra que los modelos de lenguaje pueden recuperar y generalizar conocimiento taxonómico (hiperónimos) a partir de imágenes incluso sin evidencia explícita durante el entrenamiento, gracias a la combinación de coherencia visual y las pistas lingüísticas aprendidas.
El artículo presenta la Arquitectura de Fusión Tardía (LFA), un diseño de transformadores que garantiza la interpretabilidad mediante la separación estructural de las corrientes de tokens y semántica hasta la salida, logrando así una mayor estabilidad y modularidad funcional en comparación con los modelos estándar.
Este trabajo propone un sistema neuronal end-to-end novedoso que optimiza conjuntamente la extracción de conceptos, clasificación de afirmaciones y extracción de relaciones en texto clínico, superando significativamente a los enfoques de tubería tradicionales y estableciendo una nueva línea base para futuras investigaciones.