11654 artículos
Este trabajo presenta MIKASA, un marco unificado y un nuevo conjunto de 32 tareas de manipulación robótica diseñadas para evaluar sistemáticamente las capacidades de memoria de los agentes de aprendizaje por refuerzo en entornos complejos y parcialmente observables.
Este artículo presenta Space-O-RAN, una arquitectura de control distribuida que extiende los principios de Open RAN a las constelaciones de satélites mediante aplicaciones descentralizadas ligeras y coordinación jerárquica para habilitar redes no terrestres inteligentes, abiertas e interoperables en el contexto de la 6G.
Este artículo propone el enfoque TS4NAP, que utiliza taxonomías médicas (ICD-10-CM e ICD-10-PCS) combinadas con coincidencia de grafos para predecir y explicar el siguiente paso en el tratamiento de pacientes, demostrando su eficacia mediante el conjunto de datos MIMIC-IV para mejorar la planificación médica.
El artículo presenta RoboGuard, una arquitectura de dos etapas que combina un modelo de lenguaje seguro con razonamiento de cadena de pensamiento y síntesis de control lógico temporal para contextualizar reglas de seguridad y prevenir comportamientos peligrosos en robots impulsados por modelos de lenguaje grandes, logrando reducir drásticamente la ejecución de planes inseguros ante ataques sin comprometer el rendimiento en tareas seguras.
El artículo presenta OSCAR, un método novedoso de compresión en línea dependiente de la consulta y reordenamiento que reduce significativamente el costo computacional de los sistemas RAG sin sacrificar la precisión, logrando aceleraciones de 2 a 5 veces en modelos de lenguaje de gran tamaño.
MuRAL es un nuevo conjunto de datos de sensores ambientales para múltiples residentes que incluye descripciones en lenguaje natural y anotaciones detalladas, diseñado para evaluar y revelar las limitaciones actuales de los modelos de lenguaje grandes en tareas de comprensión de actividades diarias en entornos inteligentes complejos.
Este artículo propone un modelo arquitectónico modular de emociones sintéticas que, al integrar señales motivacionales y memoria episódica bajo cuatro restricciones de ingeniería diseñadas para excluir características de la conciencia, demuestra la viabilidad de implementar control emocional sin riesgo de instantiar conciencia accesible, ofreciendo así un marco para auditorías de seguridad y gobernanza de IA.
El artículo presenta N2M-RSI, un modelo formal que demuestra cómo un agente de IA que utiliza sus propias salidas como datos de entrenamiento puede experimentar un crecimiento ilimitado de su complejidad interna al superar un umbral de integración de información, unificando conceptos como la auto-prompting y la autorreferencia gödeliana.
El artículo propone TPK, un modelo de predicción de trayectorias confiable para la conducción autónoma que integra conocimientos previos sobre interacciones y cinemática específicos para vehículos, peatones y ciclistas, mejorando la interpretabilidad y garantizando la viabilidad física de las predicciones en escenarios de tráfico mixto.
Este artículo establece los fundamentos teóricos y la arquitectura de un solo agente del marco EG-MRSI, el cual integra metacognición introspectiva, motivación intrínseca basada en emociones y auto-modificación recursiva bajo límites de riesgo formalmente definidos para guiar el desarrollo seguro de una IA general.
Los autores proponen un nuevo marco de aprendizaje de representaciones no supervisado basado en la Minimización de Riesgo Invariante (IRM) que, mediante los métodos PICA y VIAE, aprende características robustas y alineadas sin necesidad de etiquetas para generalizar eficazmente entre diferentes entornos.
TSPulse es una familia de modelos preentrenados ultraligeros que, mediante representaciones desacopladas en los dominios temporal, espectral y semántico junto con una estrategia de enmascaramiento híbrido, logra un rendimiento superior en tareas de diagnóstico de series temporales y transferencia cero-shot, superando a modelos mucho más grandes con una eficiencia computacional notable.
Este trabajo presenta "Feature Mixing", un método multimodal extremadamente simple y rápido para la síntesis de valores atípicos que mejora la detección y segmentación de datos fuera de distribución, junto con el nuevo conjunto de datos CARLA-OOD, logrando un rendimiento de vanguardia con una aceleración de hasta 370 veces en comparación con métodos anteriores.
El artículo presenta SafeDPO, un método ligero y teóricamente fundamentado que optimiza directamente la alineación de seguridad en modelos de lenguaje grandes utilizando solo datos de preferencia e indicadores de seguridad, eliminando la necesidad de modelos de recompensa o muestreo en línea mientras logra un equilibrio competitivo entre seguridad y utilidad.
Este artículo presenta RLJP, un marco de predicción de fallos legales que combina reglas de lógica de primer orden y aprendizaje contrastivo para superar las limitaciones de rigidez de los enfoques anteriores y mejorar la precisión en casos complejos mediante un mecanismo adaptativo inspirado en la preparación de exámenes.
El artículo presenta R1-Code-Interpreter, un modelo de lenguaje entrenado mediante ajuste fino supervisado y aprendizaje por refuerzo multi-etapa que, al utilizar un enfoque de aprendizaje curricular para gestionar tareas heterogéneas, logra superar a modelos avanzados como GPT-4o en precisión y demostrar comportamientos emergentes de autoverificación mediante la ejecución autónoma de código.
Este artículo propone Supervised Calibration (SC), un marco unificado basado en la minimización de pérdidas que supera las limitaciones de los métodos de calibración actuales en el aprendizaje en contexto (ICL) al aprender transformaciones afines óptimas que pueden alterar la orientación de los límites de decisión de los LLM, logrando así un rendimiento superior en múltiples conjuntos de datos y modelos.
El artículo presenta AutoQD, un enfoque teóricamente fundamentado que automatiza el descubrimiento de comportamientos diversos en procesos de decisión de Markov mediante la generación de descriptores conductuales derivados de medidas de ocupación, eliminando así la necesidad de definir manualmente dichos descriptores.
El artículo presenta C-EDL, un enfoque ligero y pos-hoc que mejora la robustez de la Aprendizaje Evidencial frente a ataques adversarios y datos fuera de distribución mediante la cuantificación de desacuerdos representacionales, logrando reducciones significativas en la cobertura de errores sin necesidad de reentrenamiento.
Este artículo presenta LeanTutor, un prototipo de tutor de demostraciones matemáticas basado en IA que combina las capacidades de los modelos de lenguaje grandes con la corrección verificable de los demostradores de teoremas Lean, y lo evalúa mediante el nuevo conjunto de datos PeanoBench.