10822 artículos
Este artículo presenta BladeChain, un sistema basado en blockchain que garantiza la trazabilidad inmutable y auditable de las inspecciones de álabes de motores de avión mediante la integración de la gestión de múltiples partes interesadas, la programación automatizada y el rastreo de la procedencia de los modelos de inteligencia artificial.
El estudio revela que, a diferencia de la Descendente de Gradiente, la Minimización Sensible a la Agudeza (SAM) en redes lineales profundas presenta un sesgo implícito dependiente de la profundidad y la inicialización que puede llevar a la convergencia a soluciones subóptimas o a una dinámica de "amplificación secuencial" de características menores, demostrando que los análisis de sesgo en tiempo infinito son insuficientes para predecir su comportamiento en tiempo finito.
Este artículo presenta una revisión sistemática del razonamiento matemático multimodal que identifica sus limitaciones actuales, propone un paradigma unificado basado en percepción, alineación y razonamiento verificable, y establece una hoja de ruta estructurada en torno a cuatro preguntas fundamentales para guiar futuras investigaciones.
Este trabajo propone un marco novedoso basado en Redes Neuronales Instructadas por Grafos (GINNs) para simular de manera eficiente y precisa fenómenos físicos gobernados por ecuaciones diferenciales parciales paramétricas con condiciones de frontera variables, superando las limitaciones de las técnicas de reducción de orden clásicas al aprender directamente la mapeo entre la descripción paramétrica del dominio y la solución de la PDE.
Este trabajo propone un método de generación de imágenes CT a partir de texto que mejora la fidelidad y la consistencia anatómica al recuperar casos clínicos relevantes mediante un codificador visión-lingüístico 3D para utilizar sus anotaciones como guía estructural en un modelo de difusión latente.
Este trabajo presenta un marco de ajuste fino que mejora la robustez de los Transformadores de Visión (ViTs) ante cambios de distribución al alinear sus mapas de relevancia con conceptos semánticos de nivel de objeto generados automáticamente mediante LLMs y VLMs, reduciendo así la dependencia de correlaciones espurias.
Este estudio compara el rendimiento de humanos y modelos de IA en el reconocimiento de acciones egocéntricas utilizando recortes mínimos identificables (MIRCs) y revela que, mientras los humanos dependen de señales semánticas críticas como las interacciones mano-objeto, los modelos de IA muestran una degradación más gradual basada en características contextuales y de bajo nivel, lo que explica la brecha de rendimiento en condiciones desafiantes.
El artículo presenta CORE-Acu, un marco neuro-simbólico para el soporte de decisiones clínicas en acupuntura que integra trazas de razonamiento estructurado y verificación de seguridad mediante grafos de conocimiento para garantizar la interpretabilidad y eliminar las violaciones de seguridad en la generación de tratamientos.
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.