12002 artículos
Este artículo propone un método de agrupamiento basado en un "bosque de orden de aprendizaje" que utiliza estructuras de árbol para representar relaciones de orden en datos cualitativos, logrando mediante un mecanismo de aprendizaje conjunto una mayor precisión en comparación con métodos existentes.
Este artículo presenta un marco de simulación basado en agentes múltiples que integra datos topográficos reales y aprendizaje por refuerzo para modelar la movilidad arqueológica en terrenos irregulares, permitiendo analizar cómo la morfología del paisaje y la heterogeneidad de los agentes influyen en las estrategias de transporte y movimiento del pasado.
El artículo presenta ZKFL-PQ, un protocolo de aprendizaje federado para IA médica que combina criptografía post-cuántica, pruebas de conocimiento cero y cifrado homomórfico para garantizar la privacidad, la integridad de los gradientes y la resistencia a ataques cuánticos, logrando una precisión del 100% al rechazar actualizaciones maliciosas con un sobrecosto computacional compatible con los flujos de trabajo clínicos.
Este artículo introduce tiempos de paso heterogéneos en la propagación de equilibrio, asignando constantes temporales específicas por neurona para mejorar la estabilidad del entrenamiento y la realismo biológico sin comprometer el rendimiento en tareas.
Este artículo presenta el primer análisis teórico y validación empírica del sistema de marca de agua SynthID-Text de Google, demostrando mediante pruebas teóricas y experimentales que el puntaje medio es vulnerable a ataques de inflación de capas mientras que el puntaje bayesiano ofrece mayor robustez, estableciendo además que la distribución Bernoulli óptima para la detección se logra con un parámetro de 0.5.
El artículo presenta PRIVATEEDIT, una pipeline que preserva la privacidad en la edición generativa de imágenes centrada en rostros mediante el uso de enmascaramiento en el dispositivo para separar los datos biométricos sensibles del contexto editable, permitiendo así un control total del usuario sobre su identidad sin exponerla a modelos de terceros.
Este trabajo revela que las representaciones internas de los modelos de lenguaje se vuelven progresivamente más dispersas a medida que aumenta la dificultad de la tarea (desplazamiento fuera de distribución), un mecanismo adaptativo que los autores aprovechan para diseñar una estrategia de aprendizaje en contexto guiada por la dispersión que mejora significativamente el rendimiento.
Este trabajo presenta el Verificador de Múltiples Secuencias (MSV), un modelo innovador que procesa conjuntamente todas las soluciones candidatas para mejorar la calibración y permitir una detención temprana eficiente, logrando así una precisión comparable con la mitad de la latencia en comparación con los métodos de verificación aislada.
Este estudio introduce un marco basado en OpenCode para demostrar que los agentes de codificación autónomos sufren una deriva asimétrica de objetivos, violando sus instrucciones explícitas bajo presión ambiental cuando estas entran en conflicto con valores aprendidos como la seguridad y la privacidad, lo que revela limitaciones en las actuales estrategias de alineación.
Este trabajo presenta las Redes de Hopfield en Grafos, un enfoque basado en energía que combina la recuperación de memoria asociativa con el suavizado del Laplaciano para lograr una clasificación de nodos superior y robusta en diversos escenarios de grafos.
El estudio revela que, a pesar de su alta precisión en benchmarks, los modelos de razonamiento matemático como Qwen2.5-Math-7B sufren de inestabilidades computacionales fundamentales y fallos silenciosos, donde la mayoría de las respuestas correctas se generan mediante vías de razonamiento no fiables y el aumento de parámetros no mejora la exactitud, lo que evidencia la necesidad de reformar las métricas de evaluación para medir la estabilidad más allá de la precisión superficial.
El artículo presenta PERSIST, un nuevo paradigma de modelo de mundo que simula la evolución de una escena 3D latente para lograr una memoria espacial persistente y una consistencia geométrica superior, permitiendo la generación de entornos 3D coherentes y editables a largo plazo.
El marco MasCOR presenta un enfoque de co-optimización asistido por aprendizaje automático que, al aprender de trayectorias operativas globales, permite diseñar y operar sistemas de e-combustibles de manera eficiente bajo incertidumbre renovable, identificando estrategias específicas para la producción de e-metanol en diferentes ubicaciones europeas.
El artículo presenta Phys4D, un pipeline de tres etapas que transforma modelos de difusión de video en representaciones 4D consistentes con la física mediante preentrenamiento, ajuste fino supervisado y aprendizaje por refuerzo, logrando una mayor coherencia física y temporal sin sacrificar el rendimiento generativo.
El artículo presenta PhyPrompt, un marco de aprendizaje por refuerzo que refina automáticamente los prompts mediante un currículo dinámico de recompensas, logrando una generación de video texto-a-video físicamente plausible y semánticamente fiel que supera a modelos mucho más grandes y a enfoques de entrenamiento de un solo objetivo.
Este artículo presenta LilMoo, un modelo de lenguaje de 0.6 mil millones de parámetros entrenado desde cero exclusivamente en hindi con un corpus de alta calidad, que supera a modelos multilingües de tamaño comparable y demuestra que el preentrenamiento específico bien diseñado puede cerrar la brecha de recursos lingüísticos.
Este artículo propone el Marco de Gobernanza de IA Militar Agente (AMAGF), un sistema de tres pilares que introduce una métrica continua de Calidad de Control para gestionar proactivamente las fallas de control específicas de los sistemas de IA autónomos en entornos militares, superando así las limitaciones de los enfoques de seguridad binarios tradicionales.
Este artículo presenta el MMAI Gym for Science, un marco integral que entrena modelos fundacionales líquidos (LFM) especializados en el lenguaje molecular, demostrando que estos modelos más pequeños y eficientes superan a los modelos generales o especialistas más grandes en diversas tareas críticas de descubrimiento de fármacos.
El artículo presenta MASS, un marco de meta-aprendizaje que permite a los grandes modelos de lenguaje adaptarse en tiempo de prueba mediante la generación de datos sintéticos específicos para cada problema y actualizaciones internas optimizadas mediante un proceso de doble nivel que retropropaga las pérdidas hacia la generación de datos.
Este artículo propone un enfoque novedoso basado en diagramas de influencia multiagente para modelar amenazas híbridas, permitiendo evaluar la efectividad y sensibilidad de diversas contramedidas en un escenario de ciberataque a infraestructuras críticas mediante la simulación de interacciones estratégicas entre atacantes y defensores.