9714 artículos
Este trabajo propone un marco interpretable basado en conceptos médicos clave y una red neuronal convolutiva de grafos (GCN) para explicar las decisiones de clasificación de imágenes de ultrasonido fetal desde la perspectiva de la cognición clínica, abordando así la falta de transparencia de los modelos de aprendizaje profundo tradicionales.
Este artículo propone dos métodos cuantitativos basados en valores de referencia para calcular vectores de peso a partir de matrices incompletas de comparaciones por pares, demostrando la optimalidad y existencia de soluciones para sus variantes geométrica y aritmética.
Este estudio demuestra que los modelos de lenguaje grandes, aunque expertos en tareas de generación, presentan un rendimiento significativamente inferior y a veces poco fiable en tareas de evaluación, revelando una paradoja que cuestiona la confianza en su capacidad para juzgar sus propias respuestas.
El artículo presenta RAG-Driver, un modelo de lenguaje grande multimodal mejorado con recuperación aumentada y aprendizaje en contexto que logra explicaciones de conducción generalizables y de vanguardia sin necesidad de reentrenamiento, abordando así los desafíos de escasez de datos y adaptación a nuevos entornos.
Este artículo deriva estimaciones teóricas del límite inferior de energía por solución para optimizadores neuromórficos de aprendizaje en memoria, basadas en la termodinámica fuera del equilibrio y aplicables a cargas de trabajo de IA a gran escala.
Este artículo propone un sistema de detección de alucinaciones visuales en imágenes de personajes de dibujos animados que utiliza modelos de lenguaje-visión con aprendizaje en contexto y guías de pose, logrando mejoras significativas en la precisión respecto a los métodos basados únicamente en imágenes RGB.
El estudio demuestra que los agentes de fijación de precios basados en modelos de lenguaje grande (LLM) alcanzan autónomamente precios y beneficios supracompetitivos en entornos de oligopolio, donde variaciones mínimas en las instrucciones (prompts) influyen significativamente en estos resultados y plantean desafíos únicos para la futura regulación.
Este trabajo presenta un análisis computacional de más de 2000 letras de flamenco mediante procesamiento de lenguaje natural y aprendizaje automático para clasificar los géneros (*palos*), identificar sus campos semánticos característicos y revelar sus relaciones históricas y evolutivas a través de un análisis de redes.
Este artículo presenta una novedosa pipeline de aprendizaje activo en dos etapas para el reconocimiento automático del habla que combina la selección de muestras diversas mediante agrupamiento de x-vectores y la identificación de muestras informativas con un método bayesiano adaptado, logrando así un entrenamiento de modelos más eficiente con menos datos etiquetados.
Este artículo presenta modelos simples para agregar las opiniones de expertos sobre la distribución de contribuciones en proyectos colaborativos, asignando un mayor peso a las valoraciones de quienes tienen una contribución más significativa con el fin de alcanzar un consenso entre pares.
Este trabajo ofrece una revisión exhaustiva y una especificación formal de las redes de codificación predictiva, situándolas como un marco versátil y biológicamente plausible dentro de la inteligencia artificial moderna que supera las limitaciones de la retropropagación tradicional.
El artículo concluye que los Modelos de Lenguaje Grande (LLM) carecen de agencia autónoma al no cumplir con las condiciones de individualidad, normatividad y asimetría interaccional, por lo que deben caracterizarse como interlocutores o autómatas lingüísticos que, a través de una "encarnación" textual y computacional, transforman la agencia humana generando formas híbridas de agencia intencional en lugar de meras herramientas extendidas.
El artículo presenta FALCON, un enfoque de preentrenamiento auto-supervisado unificado para el reconocimiento de acciones en videos de UAV que aborda el desequilibrio espacial mediante la integración de enmascaramiento consciente de objetos y reconstrucción futura dual, logrando mejoras significativas en precisión y velocidad de inferencia en comparación con métodos supervisados.
El artículo presenta UniHR, un marco de aprendizaje de representaciones jerárquicas unificadas que integra datos hiperrelacionales, temporales y anidados en representaciones basadas en tripletes mediante módulos de representación de datos y aprendizaje estructural jerárquico, demostrando su eficacia en la predicción de enlaces a través de diversos tipos de grafos de conocimiento.
El artículo presenta SpecFuse, un marco de ensamblaje de modelos de lenguaje grande (LLM) libre de entrenamiento que mejora el rendimiento mediante la predicción de segmentos siguientes para la colaboración semántica y un mecanismo de retroalimentación en línea que ajusta dinámicamente los pesos de votación de cada modelo según su desempeño.
Esta encuesta ofrece una visión estructurada de cómo los modelos de lenguaje grandes y multimodales están transformando el ciclo de vida científico, abarcando desde la búsqueda de literatura y la generación de ideas hasta la creación de contenido y la evaluación ética, sirviendo como guía tanto para nuevos investigadores como para el desarrollo futuro de sistemas de "IA para la Ciencia".
Este trabajo propone un marco de trabajo que utiliza la retrotraducción y el ajuste fino para capacitar a los modelos de lenguaje grandes (LLM) para generar texto con cambio de código de alta calidad entre inglés y español, demostrando que las métricas basadas en LLM se alinean mejor con la preferencia humana que las métricas tradicionales.
Este artículo introduce el Control Predictivo Generativo, un marco de aprendizaje supervisado que combina la modelación generativa con el control predictivo para entrenar políticas de flujo de alta frecuencia en tareas dinámicas difíciles de demostrar, superando así la dependencia de demostraciones expertas y las limitaciones de velocidad de los métodos existentes.
El artículo presenta FragFM, un marco jerárquico innovador que utiliza el emparejamiento de flujo discreto a nivel de fragmentos para generar moléculas de manera eficiente y escalable, ofreciendo un control de propiedades superior y un nuevo benchmark para productos naturales.
El artículo presenta SysDPO, un marco que extiende la Optimización Directa de Preferencias (DPO) a sistemas de IA compuestos modelados como grafos acíclicos dirigidos, permitiendo su alineación conjunta a nivel de sistema a pesar de las interacciones no diferenciables y la dificultad de transformar preferencias globales en locales.