9573 artículos
Este trabajo propone un marco de generación de voz sintética con acento L2 que, mediante la aplicación de reglas fonológicas a secuencias de fonemas en un modelo multilingüe, logra transformar el acento sin necesidad de datos de entrenamiento específicos ni pérdida de calidad.
Este trabajo introduce un marco de envenenamiento de hablantes dirigido para modelos de texto a voz de cero disparos, formalizando el problema de la supresión de identidades específicas y evaluando su eficacia en términos de equilibrio entre privacidad y utilidad, demostrando resultados sólidos hasta 15 hablantes pero limitaciones de escalabilidad a 100 debido al solapamiento de identidades.
Este trabajo presenta Nwāchā Munā, un corpus de voz en devanagari de 5,39 horas para el nepalí (Newari), y demuestra que la transferencia proximal desde el nepalí es una alternativa computacionalmente eficiente a los modelos multilingües masivos para el reconocimiento automático de voz en esta lengua en peligro.
El paper propone GRD-Net, una arquitectura que combina una red generativa adversarial con un módulo de atención a regiones de interés para detectar y localizar anomalías en inspecciones visuales industriales, aprendiendo tanto de productos defectuosos sintéticos como de datos reales sin depender de algoritmos de post-procesamiento sesgados.
Este artículo presenta una comparación sistemática de cuatro objetivos de entrenamiento para la detección de distribuciones fuera de contexto en clasificación de imágenes, revelando que la Pérdida de Entropía Cruzada ofrece el rendimiento más consistente tanto en distribuciones cercanas como lejanas en comparación con las pérdidas de prototipo, tripletas y precisión promedio.
Este artículo presenta un marco de detección de anomalías semisupervisado basado en una arquitectura generativa adversarial con autoencoder residual, diseñado para inspección visual en línea de producción farmacéutica de alta velocidad que logra un alto rendimiento de detección y localización espacial dentro de las estrictas restricciones de tiempo y hardware.
El artículo presenta DSS-GRPO, un método de aprendizaje por refuerzo que escala la compresión de la cadena de pensamiento según la dificultad y separa las señales de aprendizaje entre el razonamiento y la respuesta final, logrando así reducir la longitud del proceso de pensamiento sin degradar la calidad de la respuesta.
Este artículo presenta SMAT, un método de entrenamiento en etapas para múltiples agentes que permite el desarrollo de un controlador de exoesqueleto de cadera co-adaptativo y generalizable, el cual reduce la activación muscular en un 10,1% y proporciona asistencia mecánica positiva consistente en humanos sin necesidad de reentrenamiento específico por sujeto.
Este artículo presenta una tubería de generación de datos sintéticos basada en un gemelo digital del Aeropuerto Internacional de Argel para entrenar un detector YOLO-OBB, demostrando que la combinación de estos datos con solo el 40% de las anotaciones reales iguala o supera el rendimiento de un modelo entrenado exclusivamente con datos reales completos, reduciendo así el esfuerzo de anotación entre un 25% y un 35%.
El artículo presenta AtomicVLA, un marco unificado de planificación y ejecución que utiliza una biblioteca de habilidades atómicas y un mecanismo de expertos guiado por habilidades para superar las limitaciones de escalabilidad y aprendizaje continuo de los modelos VLA existentes en tareas robóticas de largo horizonte.
Ref-DGS es un marco de doble representación gaussiana que supera el compromiso entre la reconstrucción precisa de superficies reflectantes y la eficiencia computacional al decoupling la geometría de las reflexiones especulares mediante un sombreador adaptativo, logrando un rendimiento superior y un entrenamiento más rápido que los métodos basados en trazado de rayos.
Los autores desarrollaron un método impulsado por inteligencia artificial que combina un autoencoder variacional de mezcla gaussiana con el coeficiente de correlación de Pearson para procesar datos hiperespectrales escasos y generar mapas de distribución de fases a escala nanométrica en materiales de cátodo de iones de sodio, revelando heterogeneidades de fase y zonas de transición que desafían la comprensión mecánica tradicional.
Esta encuesta ofrece una visión estructurada de los mecanismos, evaluaciones y fronteras emergentes de la memoria en agentes autónomos basados en modelos de lenguaje grandes, abarcando desde su formalización y clasificación hasta sus aplicaciones prácticas y los desafíos técnicos pendientes hasta principios de 2026.
El artículo presenta CDA-VSR, una red de super-resolución de video en línea que aprovecha información del dominio comprimido (vectores de movimiento, mapas de residuos y tipos de cuadro) para lograr un equilibrio óptimo entre calidad y eficiencia, superando a los métodos actuales en velocidad de inferencia y rendimiento en el conjunto de datos REDS4.
El artículo presenta TDM-R1, un nuevo paradigma de aprendizaje por refuerzo que permite entrenar modelos de difusión de pocos pasos utilizando recompensas no diferenciables mediante la descomposición del proceso en aprendizaje de recompensas sustitutas y generación, logrando así un rendimiento superior en diversas métricas de calidad y alineación.
El artículo presenta VoiceSHIELD-Small, un modelo ligero y de tiempo real basado en Whisper-small que transcribe y detecta simultáneamente comandos de voz maliciosos con una precisión del 99,16%, ofreciendo una solución eficiente para la seguridad en interfaces de voz.
El informe presenta YAQIN, una aplicación de inteligencia artificial co-diseñada y evaluada que integra marcos islámicos y psicología para ofrecer apoyo en salud mental culturalmente sensible y aumentar la confianza entre las mujeres musulmanas en el Reino Unido.
El estudio demuestra que los modelos de lenguaje grandes exhiben sesgos de decisión rígidos en tareas de bandidos de dos brazos, caracterizados por una baja tasa de aprendizaje y una alta temperatura inversa que amplifican el ruido en sesgos persistentes, lo cual tiene implicaciones críticas para la interacción humano-IA.
Este estudio presenta una arquitectura de agentes múltiples que automatiza el modelado y análisis estructural en OpenSeesPy mediante la coordinación de agentes especializados para planificar, ensamblar y traducir código, logrando una precisión del 100% en la mayoría de los casos y reduciendo significativamente las alucinaciones y la acumulación de errores.
Este trabajo evalúa las capacidades de diversos modelos de lenguaje grande, como Llama-3 y ChatGPT, en la resolución de problemas de optimización discreta mediante un conjunto de datos natural y ampliado, concluyendo que aunque los modelos más potentes rinden mejor, la técnica de razonamiento paso a paso (CoT) no siempre es efectiva y los datos desordenados pueden mejorar el rendimiento en problemas sencillos a pesar de la inestabilidad.