10238 artículos
Speed3R es un modelo de reconstrucción 3D feed-forward que supera el cuello de botella computacional de la atención densa mediante un mecanismo de atención dual inspirado en la estructura desde el movimiento, logrando una aceleración de inferencia de 12,4 veces en secuencias de 1000 vistas con un mínimo compromiso en la precisión geométrica.
El artículo presenta ImageEdit-R1, un marco multiagente que utiliza aprendizaje por refuerzo para coordinar agentes especializados y abordar las limitaciones de los sistemas de edición de imágenes existentes al interpretar instrucciones complejas y realizar ediciones coherentes y orientadas a objetivos.
Este trabajo propone el Aprendizaje por Refuerzo en Contexto (ICRL), un marco que elimina la necesidad de ajuste fino supervisado mediante el uso de ejemplos en contexto durante el entrenamiento por refuerzo, logrando un rendimiento superior en tareas de uso de herramientas con mayor eficiencia de datos.
El artículo presenta DSH-Bench, un nuevo benchmark integral para la generación de imágenes basada en texto impulsada por sujetos que supera las limitaciones de evaluaciones anteriores mediante una taxonomía jerárquica de 58 categorías, una clasificación detallada de dificultad y escenarios, y una nueva métrica de consistencia de identidad (SICS) para ofrecer diagnósticos precisos y guiar el desarrollo futuro de modelos.
Este artículo presenta el marco DC-W2S, que entrena modelos de recompensa de proceso fiables para el razonamiento biológico mediante la combinación de consenso interno y vecinal para filtrar señales de supervisión ruidosas, demostrando que la curaduría estratégica de datos es más efectiva que el entrenamiento indiscriminado en grandes conjuntos de datos.
Este artículo presenta UIS-Digger, un marco de agentes multi-sistema diseñado para superar las limitaciones de la búsqueda de información no indexada mediante la navegación dual y el análisis de archivos, junto con el primer benchmark dedicado (UIS-QA) que demuestra cómo esta solución supera a modelos de lenguaje más grandes en tareas de recuperación de datos ocultos.
El artículo presenta SaiVLA-0, una arquitectura de visión-lenguaje-acción inspirada en la neurociencia que utiliza un diseño tripartito (Cerebro, Puente y Cerebelo) para lograr un control adaptable, eficiente en cómputo y modular, demostrando mejoras significativas en tiempo de entrenamiento y tasas de éxito en tareas robóticas.
El artículo presenta FoleyFlow, un método que mejora la generación coordinada de audio a partir de video mediante un entrenamiento de alineación multimodal enmascarada y un flujo condicional dinámico, logrando una sincronización semántica y rítmica superior a las técnicas anteriores.
El artículo presenta DARC, un método de inferencia sin reentrenamiento que aborda la heterogeneidad en las preferencias humanas mediante la selección de respuestas basada en la optimización de riesgos y la robustez distribucional para reducir el desacuerdo y el riesgo de cola sin comprometer la calidad promedio.
Este trabajo propone un marco de excavación gradual de conocimiento externo que permite a modelos de lenguaje grandes de ~10B parámetros alcanzar un nuevo estado del arte (78,17% de precisión) en la respuesta a preguntas complejas implícitas mediante la adquisición iterativa de información y el razonamiento dinámico, superando las limitaciones de conocimiento y la generación en un solo paso.
Este artículo propone un enfoque híbrido e interpretable basado en redes 1dCNN-GRU y técnicas de IA explicable para la detección, identificación y localización de fallos en sistemas de software automotriz, con el fin de mejorar la eficiencia, reducir costos computacionales y aumentar la confianza en aplicaciones de seguridad crítica.
El artículo presenta el "Condition Insight Agent", un marco de apoyo a la decisión desplegado que integra datos heterogéneos de mantenimiento industrial mediante razonamiento basado en evidencia y verificación estructurada para generar explicaciones fundamentadas y acciones recomendadas bajo condiciones de datos incompletos.
El artículo presenta ESC, un método de calibración basado en estrategias evolutivas que optimiza la escala de las activaciones para lograr una cuantización casi sin pérdida en modelos de voz de 4 y 8 bits, superando las limitaciones de las técnicas estándar diseñadas para visión y procesamiento de lenguaje natural.
El estudio demuestra que el razonamiento en cadena en un espacio latente continuo (CODI) supera al razonamiento explícito en idiomas de bajos recursos y escenarios zero-shot, ofreciendo una solución escalable con una compresión de trazas de 29 a 50 veces.
Este trabajo demuestra que los modelos de diálogo de voz full-duplex de extremo a extremo filtran la identidad del hablante en sus representaciones ocultas y propone dos métodos de anonimización en tiempo real que protegen significativamente la privacidad sin comprometer la latencia ni la calidad del diálogo.
El artículo presenta TildeOpen LLM, un modelo de lenguaje abierto de 30 mil millones de parámetros entrenado con estrategias de aprendizaje curricular y muestreo de datos para lograr una representación equitativa y un rendimiento superior en 34 idiomas europeos, especialmente en lenguas de recursos limitados como las bálticas, fino-úgricas y eslavas.
El artículo presenta MM-TS, un método que mejora el aprendizaje contrastivo multimodal con datos de cola larga mediante la programación dinámica de temperaturas y márgenes, logrando resultados de vanguardia en cuatro conjuntos de datos de imagen y video.
El artículo critica la dependencia actual de métricas de estimación puntual en los benchmarks de regresión para modelos fundacionales tabulares y propone evaluar y optimizar las predicciones probabilísticas mediante reglas de puntuación adecuadas, como el CRPS, junto con estrategias de ajuste fino o prompts para adaptar el sesgo inductivo de estos modelos.
Este estudio presenta dos estrategias de fusión multimodal, RGIF y RGMAF, que combinan el registro de imágenes con mecanismos de atención adaptativa para mejorar significativamente la detección de vehículos aéreos no tripulados (UAV) al integrar datos heterogéneos de sensores térmicos y visuales.
Este artículo extiende el método de agregación adaptativa AsyncFedED para el aprendizaje federado asíncrono, demostrando que la integración de métricas de distancia alternativas al de Euclídeo mejora la robustez, la velocidad de convergencia y el rendimiento del modelo en entornos heterogéneos con datos no IID.