9659 artículos
Este artículo presenta un estudio de caso sobre la colaboración neurosimbólica entre una IA, herramientas de cómputo simbólico y humanos que logró descubrir y verificar formalmente en Lean 4 un nuevo límite inferior ajustado para el desequilibrio de cuadrados latinos en el caso , demostrando la capacidad de estos sistemas para realizar descubrimientos genuinos en matemáticas puras.
El artículo presenta EndoSERV, un sistema de navegación robótica endoluminal basado en visión que supera los desafíos de localización en anatomías complejas mediante un enfoque de segmentación-estructura y mapeo real-virtual, utilizando aprendizaje por transferencia y entrenamiento en dos fases para lograr una precisión robusta sin necesidad de etiquetas de pose reales.
SPD-RAG es un marco jerárquico de agentes múltiples que mejora la calidad y la escalabilidad en la respuesta a preguntas complejas sobre múltiples documentos al asignar un agente dedicado a cada documento para la recuperación enfocada y sintetizar sus respuestas parciales mediante un coordinador, superando así a los métodos RAG estándar y de agentes individuales en el benchmark LOONG con un coste de API significativamente menor.
Este artículo propone DS-DGA-GCN, un modelo de aprendizaje gráfico adaptativo que combina un sistema de puntuación de características de red y un mecanismo de atención dinámica para detectar eficazmente grupos de reseñas falsas en escenarios de datos escasos, superando a los métodos existentes en conjuntos de datos reales de Amazon y Xiaohongshu.
Este trabajo demuestra que el uso de características derivadas del operador de Koopman mediante una descomposición dinámica de modos extendida (EDMD) con un diccionario de funciones de base radial optimizado, combinadas con transformadores, supera a los enfoques basados en wavelets y sistemas híbridos para la clasificación multiclase de electrocardiogramas, ofreciendo además insights interpretables sobre las dinámicas aprendidas.
Este trabajo presenta un nuevo método basado en optimización por gradiente que genera explicaciones contrafactuales plausibles para la clasificación de series temporales, integrando la alineación soft-DTW con vecinos más cercanos para garantizar una estructura temporal realista y superando a los enfoques existentes en coherencia distribucional.
Este capítulo revisa cómo los modelos computacionales de aprendizaje auto-supervisado y visualmente fundamentado permiten explicar la adquisición temprana del lenguaje a partir de señales acústicas y audiovisuales sin recurrir a prios lingüísticos, demostrando que principios de aprendizaje compartidos pueden replicar tanto el comportamiento de los modelos como los hallazgos empíricos sobre el desarrollo infantil.
El artículo presenta M³-ACE, un marco de ingeniería de contexto multiagente que mejora el razonamiento matemático multimodal al corregir la percepción visual inexacta mediante la colaboración dinámica de agentes y herramientas de refinamiento, logrando nuevos récords en benchmarks como MathVision.
El artículo presenta HECG, un marco jerárquico de grafos correctivo de errores para agentes autónomos que integra una estrategia transferible multidimensional, una clasificación matricial de errores detallada y una recuperación causal basada en grafos para optimizar la generación de acciones mediante LLM y mejorar la fiabilidad en tareas complejas.
Este trabajo presenta ToCoRL, un marco de aprendizaje por refuerzo que aprovecha la plasticidad conductual inherente de los modelos de lenguaje grandes mediante la generación condicional a tokens, permitiendo adaptar sus patrones de comportamiento (como cambiar del razonamiento paso a paso a respuestas directas) de manera estable y precisa sin degradar sus capacidades.
Este trabajo aborda la inestabilidad de la descomposición no lineal de valores en el aprendizaje por refuerzo multiagente fuera de línea proponiendo la normalización de valores invariante a la escala (SVN) y derivando una receta práctica que estabiliza el entrenamiento y desbloquea el potencial completo de este paradigma.
Este artículo demuestra que tanto los humanos como los modelos de lenguaje son vulnerables a la "ceguera de elección" en los sistemas de retroalimentación, lo que revela que las señales de preferencia utilizadas en el Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF) están distorsionadas por el contexto de elicitaación y no reflejan estados internos estables, comprometiendo así la eficacia del entrenamiento de modelos.
El artículo presenta GCOS, un marco de regularización que sintetiza outliers virtuales en el espacio de características respetando la estructura del manifold de los datos, mejorando así la detección robusta de datos fuera de distribución y permitiendo inferencia conformal con garantías de error formal.
Este estudio presenta un método de percepción impulsado por IA con un modelo jerárquico de predicción de intenciones humanas que permite a los robots móviles en laboratorios autónomos anticipar las acciones de los investigadores para facilitar interacciones proactivas y mejorar la eficiencia en entornos compartidos.
El artículo presenta SYNAPSE, un marco de análisis sin reentrenamiento que evalúa la robustez interna y la interpretabilidad de los modelos Transformer mediante la identificación de neuronas clave y la aplicación de intervenciones controladas, revelando patrones de redundancia funcional y vulnerabilidades estructurales.
El artículo presenta IronEngine, una plataforma de asistente de IA general que integra una arquitectura unificada de orquestación, gestión adaptativa de modelos y ejecución de herramientas para lograr una alta tasa de completitud en tareas heterogéneas mediante un pipeline de tres fases que separa la planificación de la ejecución.
Este trabajo propone equipar a los agentes de LLM con capacidades de recuperación nativas mediante un cabezal de proyección ligero que mapea sus estados ocultos directamente al espacio de incrustaciones, eliminando la necesidad de un modelo de incrustación separado y manteniendo el 97% de la calidad de recuperación original.
Este artículo propone un método de Programación Genética basado en Evaluación Híbrida (HE-GP) que optimiza la programación de satélites ágiles de observación terrestre bajo incertidumbre, logrando reducir significativamente los costos computacionales y evitar óptimos locales mediante un mecanismo dinámico que alterna entre modos de evaluación exactos y aproximados.
Este estudio prospectivo de viabilidad demuestra que un sistema de inteligencia artificial conversacional basado en modelos de lenguaje (AMIE) es seguro, bien aceptado por pacientes y médicos, y capaz de generar diagnósticos diferenciales de calidad comparable a la de los médicos de atención primaria en un entorno clínico real, aunque los médicos superaron a la IA en la practicidad y rentabilidad de los planes de tratamiento.
El artículo presenta LycheeCluster, un método innovador de gestión de caché KV que utiliza fragmentación consciente de límites y un índice jerárquico recursivo para acelerar la inferencia de modelos de lenguaje grandes en contextos largos hasta en un 3,6 veces sin comprometer significativamente su rendimiento.