11474 artículos
El estudio concluye que, aunque las Redes Kolmogorov-Arnold (KAN) son competitivas en residuos polinómicos univariados, su inestabilidad hiperparamétrica y su fallo sistemático en términos multiplicativos y configuraciones profundas las hacen inferiores a las MLP estándar para la recuperación de términos desconocidos en sistemas oscilatorios con restricciones físicas.
Este artículo propone un marco de aprendizaje activo guiado por explicabilidad que, al combinar la incertidumbre predictiva con la desalineación de la atención espacial respecto a las regiones de interés definidas por expertos, logra una mayor eficiencia en el uso de datos y una mejor interpretabilidad clínica en el análisis de imágenes médicas.
Este trabajo presenta Pailitao-VL, un sistema de búsqueda industrial multimodal en tiempo real que supera las limitaciones de precisión y eficiencia de las soluciones actuales mediante un nuevo paradigma de incrustación basado en reconocimiento de ID absoluto y un reordenador generativo de lista comparativa, logrando un rendimiento superior y un impacto comercial significativo en la plataforma de comercio electrónico de Alibaba.
Este artículo presenta el ataque "Zombie Agent", una vulnerabilidad de seguridad en agentes LLM autoevolutivos donde un atacante inyecta persistentemente una carga maliciosa en la memoria a largo plazo del agente mediante contenido web controlado, logrando así un control duradero que evade las defensas tradicionales centradas en el filtrado por sesión.
SubQuad es una plataforma integral que acelera el análisis de repertorios inmunitarios a escala poblacional mediante técnicas de recuperación subcuadrática y objetivos equilibrados para mitigar sesgos, permitiendo así la minería eficiente de clonotipos minoritarios para aplicaciones traslacionales como la priorización de vacunas.
Este trabajo presenta un marco de aprendizaje curricular de tres etapas que utiliza enmascaramiento estructural y optimización de política relativa grupal (GRPO) para destilar eficazmente el razonamiento de cadena de pensamiento en modelos pequeños, logrando mejoras significativas en precisión y concisión en el conjunto de datos GSM8K.
Este artículo establece que los sistemas de diálogo guiados por esquemas (SGD) y el Protocolo de Contexto de Modelo (MCP) convergen en un paradigma unificado para la interacción auditable con agentes de IA, extrayendo cinco principios fundamentales de diseño de esquemas que abordan brechas críticas en la gestión de fallos y las relaciones entre herramientas para escalar la gobernanza de sistemas de IA.
Este artículo presenta DPR, un marco agnóstico al modelo que permite a los sistemas de recomendación secuenciales tradicionales integrar intenciones explícitas del usuario mediante prompts de lenguaje natural, superando las limitaciones de los enfoques actuales al modular directamente las representaciones latentes sin sacrificar la precisión colaborativa ni la eficiencia.
Este estudio presenta un marco de "red teaming" clínico automatizado que, mediante la simulación de sesiones terapéuticas con pacientes virtuales, revela riesgos críticos de seguridad en modelos de lenguaje para la salud mental, como la validación de delirios y la incapacidad de gestionar el riesgo suicida, subrayando la necesidad de estas evaluaciones antes del despliegue.
Este artículo extiende la estimación de densidad de kernel (KDE) y la contracción jerárquica (HS) a los árboles de Hoeffding para regresión en flujos de datos desbalanceados, demostrando mediante evaluación empírica que KDE mejora consistentemente el rendimiento en etapas tempranas del flujo, mientras que HS ofrece beneficios limitados.
El artículo presenta Zatom-1, el primer modelo fundacional de código abierto que unifica la generación y la predicción de moléculas y materiales 3D mediante un objetivo de flujo multimodal, logrando un rendimiento superior y una transferencia positiva entre dominios químicos.
Este artículo presenta un marco de reconocimiento de gestos multimodal interpretable que fusiona datos inerciales y capacitivos mediante una razón de verosimilitud logarítmica para lograr una teleoperación robusta y eficiente de drones y robots móviles, superando las limitaciones de los métodos basados en visión.
Este artículo propone un nuevo método de política auxiliar pesimista que, al maximizar el límite inferior de confianza de la función Q para muestrear acciones fiables, reduce la acumulación de errores y mejora el rendimiento de los enfoques de aprendizaje por refuerzo fuera de línea.
El sistema JAILBREAK FOUNDRY (JBF) soluciona la obsolescencia de las evaluaciones de seguridad en modelos de lenguaje mediante un flujo de trabajo multiagente que traduce automáticamente artículos académicos sobre jailbreaks en módulos ejecutables estandarizados, logrando una alta fidelidad en la reproducción de ataques y reduciendo significativamente el código de implementación necesario.
El artículo presenta DiffusionHarmonizer, un marco de mejora generativa en línea que transforma reconstrucciones neuronales imperfectas en simulaciones fotorealistas y temporalmente consistentes mediante un potenciador de difusión de un solo paso entrenado con un pipeline de datos personalizado.
El artículo presenta Dr. Seg, un marco de entrenamiento basado en GRPO diseñado específicamente para modelos de lenguaje visual grandes que aborda las limitaciones de los paradigmas de razonamiento en tareas de percepción mediante mecanismos de confirmación y recompensas estables, mejorando así el rendimiento en escenarios visuales complejos sin requerir modificaciones arquitectónicas.
El artículo presenta AlignVAR, un marco de autoregresión visual globalmente consistente para la superresolución de imágenes que aborda la fragmentación espacial y la acumulación de errores mediante la autoregresión de consistencia espacial y la restricción de consistencia jerárquica, logrando una mayor coherencia estructural y fidelidad perceptual con una inferencia significativamente más rápida y menos parámetros que los enfoques basados en difusión.
El artículo presenta SOLACE, un marco de post-entrenamiento que mejora la generación de imágenes a partir de texto mediante recompensas intrínsecas de autoconfianza derivadas de la capacidad del modelo para recuperar ruido inyectado, logrando así optimización no supervisada y mejoras en la alineación texto-imagen sin necesidad de anotaciones externas.
AutoSkill es un marco de aprendizaje continuo impulsado por la experiencia que permite a los agentes de LLM derivar, mantener y reutilizar automáticamente habilidades de las interacciones del usuario sin reentrenar el modelo, transformando así experiencias efímeras en capacidades explícitas y reutilizables.
El estudio demuestra que la persistencia del estado del intérprete es una propiedad semántica fundamental que, al no alinearse entre el entrenamiento y el despliegue, genera ineficiencias significativas en el uso de tokens y errores de ejecución, aunque no afecta la calidad final de las soluciones de los agentes de IA.