2393 artículos
Este artículo presenta una visión general de la literatura sobre Aprendizaje por Refuerzo Automatizado (AutoRL), abarcando técnicas recientes basadas en modelos de lenguaje grande, métodos prometedores para su futura integración, así como los desafíos, preguntas abiertas y direcciones de investigación en este campo.
Este trabajo propone un modelo de clasificación basado en subsecuencias que incorpora la incertidumbre de los datos como entrada adicional y ofrece explicabilidad por diseño, logrando un rendimiento comparable a los métodos de vanguardia para el análisis de series temporales astronómicas inciertas.
Esta encuesta revisa los avances recientes en los Grandes Modelos de Lenguaje (LLM), centrándose en sus cuatro aspectos principales: preentrenamiento, ajuste de adaptación, utilización y evaluación de capacidades, además de resumir los recursos disponibles y discutir los problemas pendientes para futuras direcciones.
Esta encuesta examina la aplicación de la teoría de la utilidad en el modelado cognitivo de sistemas robóticos, analizando su evolución desde arquitecturas cognitivas y sistemas de valores hasta su impacto en la toma de decisiones, la cooperación multiagente y la interacción humano-robot, mientras propone direcciones futuras y problemas abiertos en el campo.
Este artículo presenta un algoritmo basado en bucles para la programación y enrutamiento en línea sin conflictos de vehículos guiados automatizados (AGV) en grafos de bucle, demostrando experimentalmente que supera o iguala a otros métodos en calidad de solución con menor tiempo de cómputo.
El artículo presenta Agent-OM, un nuevo marco basado en agentes de modelos de lenguaje grande que utiliza dos agentes siameses y herramientas especializadas para lograr un emparejamiento de ontologías competitivo en tareas sencillas y superior en escenarios complejos y de pocos ejemplos.
Este artículo presenta una encuesta centrada en el aprendizaje automático sobre la Prueba Adaptativa Computarizada (CAT), explorando cómo las técnicas de ML pueden optimizar sus componentes clave para crear sistemas más robustos, justos y eficientes que integren la psicometría tradicional con enfoques interdisciplinarios.
El artículo presenta FEX, un marco de explicación rápida que optimiza distribuciones de atribución mediante gradientes de política, logrando una reducción superior al 97% en el tiempo de inferencia y un 70% en el uso de memoria frente a enfoques agnósticos al modelo, sin sacrificar la calidad ni la aplicabilidad general.
Este artículo identifica y explica la etapa de corrupción en el ajuste fino de pocos ejemplos de modelos de difusión, proponiendo el uso de redes neuronales bayesianas para mitigar este fenómeno y mejorar la fidelidad, calidad y diversidad de las imágenes generadas sin incurrir en costos adicionales de inferencia.
El artículo presenta LAMBDA, un sistema de análisis de datos multiagente de código abierto y sin necesidad de programación que utiliza modelos de lenguaje grandes, roles especializados de programador e inspector, y mecanismos de integración de conocimiento para facilitar la colaboración entre humanos e inteligencia artificial en tareas de análisis de datos.
El artículo presenta OTAD, un modelo de defensa adversarial robusto que combina el entrenamiento de redes neuronales con regularización basada en transporte óptimo y la interpolación mediante problemas de integración convexa para lograr tanto una alta precisión en los datos como una continuidad Lipschitz local certificada.
Este trabajo propone un enfoque de muestreo de importancia con recocido (AIS) combinado con aprendizaje variacional para mejorar la inferencia en Modelos de Variables Latentes de Procesos Gaussianos, logrando límites variacionales más ajustados y una convergencia más robusta en espacios de alta dimensión.
Este trabajo presenta el Sistema de Análisis Multimodal de Video Laringoscópico (MLVAS), una herramienta innovadora que combina datos de audio y video mediante detección de glotis, refinamiento de segmentación basado en difusión y extracción de características acústicas y visuales para asistir en el diagnóstico objetivo y automatizado de la parálisis de las cuerdas vocales.
Este artículo explora el potencial transformador de la inteligencia artificial para optimizar la generación y validación de casos de prueba mediante la automatización y el aprendizaje automático, abordando al mismo tiempo los desafíos de implementación para lograr lanzamientos de software más rápidos, precisos y escalables.
Este artículo presenta una reevaluación rigurosa de la eficiencia energética de las redes neuronales de espigas (SNN) frente a las redes neuronales cuantizadas (QNN), demostrando mediante un modelo analítico detallado que las SNN solo superan a las QNN bajo condiciones específicas de hardware y parámetros operativos, como tasas de espiga bajas y ventanas temporales moderadas, lo que podría duplicar la vida útil de la batería en dispositivos como relojes inteligentes.
Este trabajo presenta una red de osciladores acoplados (CON) que, al garantizar una estructura lagrangiana, estabilidad global y un mapeo invertible entre entrada y fuerza latente, permite un control basado en modelos de espacio latente eficiente y de alto rendimiento utilizando únicamente imágenes como retroalimentación.
Este trabajo presenta BNEM, un muestreador de Boltzmann basado en la coincidencia de energía ruidosa y una técnica de *bootstrapping* que permite generar muestras independientes a partir de funciones de energía conocidas, logrando un rendimiento superior y mayor robustez en comparación con métodos existentes.
El artículo presenta PiVOT, un nuevo mecanismo de visual prompting que aprovecha el modelo fundacional CLIP para generar y refinar dinámicamente indicaciones visuales en línea, mejorando así la capacidad de los rastreadores de objetos genéricos para suprimir distracciones y distinguir el objetivo de su entorno.
Este artículo presenta un marco de Ecuaciones Diferenciales con Retardo Neuronales (NDDEs) inspirado en el formalismo Mori-Zwanzig para aprender dinámicas no markovianas a partir de datos de sistemas parcialmente observables, demostrando un rendimiento superior frente a métodos existentes como las redes LSTM y las ANODEs.
El artículo presenta Puppet-CNN, un marco que modela los parámetros de las redes neuronales convolucionales como un sistema dinámico continuo gobernado por una ecuación diferencial, lo que permite generar capas de manera adaptativa según la complejidad de la entrada y reducir significativamente los parámetros entrenables sin sacrificar el rendimiento.