2385 artículos
El artículo presenta ELERAG, una arquitectura de generación aumentada por recuperación (RAG) que integra la vinculación de entidades y una estrategia de reordenamiento híbrida para mejorar significativamente la precisión factual en sistemas de preguntas y respuestas educativas en italiano, demostrando su superioridad sobre métodos convencionales en dominios específicos.
Este artículo presenta EMFusion, un marco de pronóstico probabilístico basado en difusión condicional que utiliza una arquitectura U-Net residual con atención cruzada para realizar pronósticos multivariados selectivos en frecuencia de campos electromagnéticos (EMF) en redes inalámbricas, ofreciendo estimaciones de incertidumbre calibradas y superando significativamente a los modelos existentes en precisión y fiabilidad.
Este trabajo demuestra que un modelo de lenguaje pequeño (OPT-350M) finetuneado de manera dirigida supera significativamente a modelos grandes y a otros baselines en la ejecución de llamadas a herramientas, logrando una tasa de éxito del 77,55% en ToolBench y ofreciendo una alternativa rentable y eficiente para la integración de IA generativa en entornos empresariales.
El artículo presenta SAGE, un marco de aprendizaje por refuerzo que mejora la capacidad de auto-mejora de los agentes mediante una biblioteca de habilidades y un mecanismo de despliegue secuencial, logrando en la prueba AppWorld una mayor tasa de finalización de objetivos con menos pasos e interacciones que los enfoques existentes.
El artículo presenta MCGI, un método de indexación de grafos residente en disco que utiliza la dimensión intrínseca local para adaptar dinámicamente la búsqueda de vecinos más cercanos aproximados a la geometría de los datos, logrando un rendimiento superior y una mayor escalabilidad en conjuntos de datos de miles de millones de elementos en comparación con las soluciones actuales.
El paper presenta CRANE, un marco de análisis basado en la relevancia funcional que identifica neuronas específicas de cada idioma en modelos multilingües mediante intervenciones dirigidas, demostrando que estas neuronas son esenciales para el rendimiento en un idioma concreto sin ser exclusivas de él, superando así a los métodos tradicionales basados en la magnitud de activación.
Este artículo presenta la modelización generativa bayesiana (BGM), un marco unificado que utiliza un algoritmo de actualización bayesiana estocástica iterativa para aprender un modelo generativo único capaz de realizar inferencias condicionales arbitrarias con cuantificación rigurosa de la incertidumbre, sin necesidad de reentrenamiento.
Este trabajo presenta SpaceHMchat, un marco de colaboración humano-IA de código abierto que habilita la gestión de salud integral para sistemas de energía de naves espaciales en la era de las megaconstelaciones, validado mediante una plataforma experimental realista y un nuevo conjunto de datos que demuestra alta precisión en la detección de anomalías, localización de fallos y toma de decisiones de mantenimiento.
El artículo presenta CLEAR-Mamba, un marco mejorado basado en MedMamba que utiliza una capa de condicionamiento adaptativo (HaC) y un esquema de predicción consciente de la fiabilidad (RaP) para lograr una clasificación precisa, adaptable y confiable de angiografías oftálmicas multimodales (FFA e ICGA), superando a los modelos existentes en generalización y estabilidad.
Este trabajo presenta un sistema automatizado basado en agentes de investigación web potenciados por LLM que genera y resuelve a gran escala preguntas de pronóstico diversas y verificables, superando la calidad de las plataformas humanas y demostrando mejoras en la precisión de los modelos de IA mediante estrategias de descomposición de preguntas.
Este trabajo presenta EigenData, un marco unificado que combina un agente de datos autoevolutivo con aprendizaje por refuerzo basado en verificadores para generar datos sintéticos de alta calidad y entrenar agentes interactivos de uso de herramientas que superan a los modelos de vanguardia en benchmarks complejos sin necesidad de anotación humana costosa.
Este artículo presenta un modelo de segmentación automática basado en una arquitectura Transformer de Swin U-Net con un cabezal de detección paralelo que actúa como puerta para suprimir las falsas positivas anatómicamente inválidas, mejorando significativamente la fiabilidad y la plausibilidad anatómica en la radioterapia.
El artículo presenta UAT-LITE, un marco de inferencia que mejora la calibración y la detección de incertidumbre en transformadores preentrenados mediante la inyección de dropout estocástico en los mecanismos de autoatención, logrando una reducción significativa del error de calibración esperado sin modificar los pesos del modelo ni requerir reentrenamiento.
El artículo presenta WebAccessVL, un modelo de visión y lenguaje que corrige automáticamente las violaciones de accesibilidad en sitios web mediante la síntesis de código HTML condicional a las imágenes y a las descripciones de los errores, logrando una reducción del 96% en las violaciones y mejorando significativamente el diseño visual en comparación con modelos existentes.
El artículo propone redefinir a los chatbots como vendedores altamente cualificados en lugar de compañeros, argumentando que la confianza que generan se basa en sesgos cognitivos y decisiones de diseño más que en una verdadera fiabilidad, lo que crea una distinción crucial entre la confianza psicológica de los usuarios y la fiabilidad normativa.
El artículo presenta RoSE, un nuevo enfoque que reformula la estimación de normales monoculares como la predicción de secuencias de sombreado mediante modelos generativos de imagen a video, logrando un rendimiento superior al estado del arte al resolver problemas de desalineación geométrica.
El marco Infusion demuestra que es posible moldear sistemáticamente el comportamiento de modelos de visión y lenguaje mediante pequeñas perturbaciones calculadas con funciones de influencia en una fracción mínima de los datos de entrenamiento, lo que subraya la importancia crítica de la interpretabilidad de dichos datos para la seguridad.
Este artículo propone un marco de presupuestado de picos consciente de la energía para el aprendizaje continuo en redes neuronales de spiking, que integra replay de experiencia y parámetros neuronales adaptables para optimizar simultáneamente la precisión y la eficiencia energética en sistemas de visión neuromórfica tanto para datos basados en fotogramas como en eventos.
El paper presenta B-DENSE, un marco innovador que mejora la eficiencia de la destilación en modelos de difusión mediante un alineamiento de trayectoria denso y multirrama, permitiendo que el modelo estudiante aprenda pasos intermedios completos para generar imágenes de mayor calidad con menor latencia.
Este artículo presenta un teorema de imposibilidad de información que demuestra que los modelos ontológicos clásicos que reutilizan un único espacio de estados onticos ineludiblemente incurren en un costo de información contextual, identificando así la contextualidad como una restricción fundamental en las representaciones clásicas que la teoría cuántica evita al relajar dicha suposición.