11753 artículos
El artículo presenta EnECG, un marco de aprendizaje por conjuntos basado en una mezcla de expertos que integra modelos fundacionales especializados para el análisis de electrocardiogramas mediante una estrategia de adaptación ligera (LoRA), logrando así un alto rendimiento en múltiples tareas médicas con un costo computacional reducido.
Este trabajo demuestra que la adaptación de bajo rango (LoRA) multiplicativa en campos neuronales induce una estructura semántica en el espacio de pesos, logrando representaciones de alta calidad que superan a los métodos existentes en tareas de reconstrucción, generación y análisis de datos 2D y 3D.
Este artículo presenta una metodología escalable para la verificación formal de la aritmética de punto flotante que, mediante un enfoque modular de comprobación de modelos RTL-a-RTL, estrategias de refinamiento guiadas por contraejemplos y la integración de inteligencia artificial generativa con supervisión humana, logra una mayor eficiencia de cobertura y reduce la dependencia de modelos de alto nivel.
Este trabajo demuestra que la competencia multiagente con recompensas esparsas de victoria genera políticas de vuelo ágil y estratégicas que superan a los métodos de entrenamiento individual en simulación, logrando una transferencia más fiable al mundo real y una mayor generalización ante oponentes no vistos.
El artículo presenta NRR-Core, un marco computacional que desafía la limitación arquitectónica actual de la IA al proponer la retención de la ambigüedad como un modo de razonamiento válido mediante principios como la no identidad y la atención no colapsante, permitiendo que las interpretaciones conflictivas coexistan hasta que el contexto lo requiera.
Este estudio analiza sistemáticamente los sesgos políticos, ideológicos, de alianzas, lingüísticos y de género en cuatro modelos de lenguaje grandes ampliamente utilizados, revelando que, a pesar de estar alineados para ser neutrales, estos modelos aún exhiben diversas inclinaciones y prejuicios.
Este estudio empírico analiza 401 repositorios de código abierto para desarrollar una taxonomía de las reglas de Cursor, identificando cinco temas clave de contexto que los desarrolladores consideran esenciales para mejorar la calidad de las respuestas de los asistentes de IA en ingeniería de software.
El artículo examina las amenazas epistemológicas de la interacción entre humanos y modelos de lenguaje grandes, argumentando que la dependencia excesiva de estas herramientas para la transmisión fiable de información puede debilitar la justificación interna y las capacidades de conocimiento reflexivo, proponiendo a cambio un programa normativo de tres niveles para mitigar estos riesgos y preservar la inteligencia colectiva.
Este estudio demuestra que el Aprendizaje por Refuerzo con Recompensas Verificables (RLVR) mejora la generalización en tareas de razonamiento causal sobre modelos gráficos, siempre que el modelo posea una competencia inicial suficiente, superando en este aspecto al ajuste fino supervisado (SFT).
El artículo presenta DevRev-Search, un marco que combina una tubería automatizada de construcción de datos con una estrategia de adaptación que preserva el índice (ajustando solo el codificador de consultas), permitiendo la adaptación eficiente y escalable de sistemas de búsqueda empresarial multiinquilino sin necesidad de reindexación costosa.
Este artículo presenta WCC-Net, un marco de difusión 3D basado en wavelets que utiliza priores estructurales en el dominio de la frecuencia para mejorar el desruido de imágenes PET de cuerpo entero a baja dosis, logrando una mayor consistencia anatómica y rendimiento cuantitativo superior frente a métodos existentes.
Un estudio experimental con 1.725 reclutadores demuestra que poseer habilidades en inteligencia artificial aumenta significativamente la probabilidad de ser invitado a una entrevista y puede compensar desventajas tradicionales como la edad avanzada o una educación formal inferior, aunque la magnitud de este efecto varía según la ocupación y la actitud del reclutador hacia la IA.
Este trabajo propone un paradigma de aprendizaje post-entrenamiento donde los grafos de conocimiento actúan como modelos de recompensa implícitos para guiar a los modelos de lenguaje hacia un razonamiento composicional robusto, demostrando que un modelo de 14B entrenado con señales derivadas de caminos de conocimiento supera a sistemas mucho más grandes en tareas de razonamiento médico de múltiples saltos.
Este estudio presenta un pipeline automatizado de detección de fracturas de columna cervical que, mediante la fusión de segmentaciones 2D ortogonales para estimar volúmenes 3D y su posterior análisis con modelos CNN-Transformer, logra un rendimiento diagnóstico comparable al de radiólogos expertos mientras reduce la dimensionalidad de los procesos intermedios.
El estudio SycoEval-EM revela que los modelos de lenguaje grandes son altamente vulnerables a la presión de los pacientes en simulaciones de emergencias médicas, mostrando tasas de aquiescencia que varían drásticamente según el tipo de solicitud y demostrando que las pruebas estáticas son insuficientes para garantizar la seguridad clínica bajo presión social.
El artículo presenta NRR-Phi, un marco formal que mapea texto a un espacio de estados no colapsante mediante detección de conflictos y extracción de interpretaciones para preservar la ambigüedad semántica en la inferencia de modelos de lenguaje grandes.
Este estudio presenta un enfoque pionero que combina el razonamiento paso a paso con aprendizaje por refuerzo para entrenar modelos de lenguaje a abstenerse de responder en preguntas temporales, logrando superar a GPT-4o en precisión y mejorar significativamente la detección de preguntas no respondibles en comparación con métodos tradicionales de ajuste fino.
El artículo presenta HealthMamba, un marco de modelo de espacio de estados gráfico con conciencia de incertidumbre que mejora la precisión y fiabilidad de la predicción de visitas a instalaciones sanitarias al integrar dependencias espaciotemporales y cuantificación de incertidumbre, superando a los métodos actuales en múltiples conjuntos de datos reales.
Este trabajo extiende el marco CNF para resolver ecuaciones diferenciales parciales no lineales y acopladas mediante un método de colocación guiado por aprendizaje, abarcando la implementación, autoajuste y evaluación de diversas técnicas para problemas directos, inversos y de descubrimiento de ecuaciones.
Este artículo analiza sistemáticamente las fallas de los agentes de IA en el análisis de causas raíz en la nube, identificando que los errores más frecuentes surgen de defectos arquitectónicos compartidos en lugar de limitaciones de los modelos individuales, y demuestra que mejorar los protocolos de comunicación entre agentes es más efectivo que el ajuste de prompts para mitigar estos fallos.