13073 artículos
El artículo presenta el Rectified Flow Auto Coder (RAC), un modelo inspirado en Rectified Flow que reemplaza a los VAE tradicionales mediante un proceso de decodificación rectificado y bidireccional, logrando una mayor calidad de reconstrucción y generación con un costo computacional aproximadamente un 70% menor.
Este trabajo demuestra que abordar la falacia ecológica al modelar el contexto lingüístico del autor, mediante técnicas como HuFT y HuLM en un modelo Llama de 8B, mejora significativamente su rendimiento en diversas tareas en comparación con el ajuste fino estándar.
Este artículo presenta una Red de Enmascaramiento Residual que combina redes residuales profundas con una arquitectura tipo Unet para mejorar el reconocimiento de expresiones faciales mediante un mecanismo de atención que refina los mapas de características, logrando así un rendimiento de vanguardia en los conjuntos de datos FER2013 y VEMO.
Este trabajo presenta un enfoque sistemático de IA explicable que transforma los registros de ejecución crudos de agentes de codificación en explicaciones estructuradas y visualmente intuitivas, permitiendo a los desarrolladores identificar la causa raíz de los fallos y proponer soluciones correctas de manera significativamente más rápida y precisa en comparación con los métodos actuales.
El artículo presenta E-AdaPrune, un marco de poda adaptativa impulsado por la energía que optimiza la eficiencia de los modelos de visión y lenguaje al asignar dinámicamente la cantidad de tokens visuales según la densidad de información de cada imagen, logrando mejoras en el rendimiento sin añadir parámetros entrenables.
Este artículo presenta modelos interpretables que integran rasgos psicológicos individuales y características situacionales inferidas del lenguaje para predecir el bienestar mental, demostrando que un enfoque basado en teorías psicológicas ofrece un rendimiento competitivo y una mayor comprensión humana en comparación con las representaciones de modelos de lenguaje.
El artículo presenta DMM, un marco de fusión de modelos sin datos que aborda la divergencia entre modelos especializados mediante la síntesis de pseudo-datos y la destilación de conocimiento, logrando un rendimiento superior al estado del arte en benchmarks unimodales y multimodales.
Este artículo presenta Skeleton-to-Image Encoding (S2I), un método innovador que transforma secuencias de esqueletos 3D en representaciones similares a imágenes para aprovechar modelos de visión preentrenados en el aprendizaje auto-supervisado de esqueletos, logrando así un formato unificado que mejora el rendimiento y la generalización en tareas de reconocimiento de acciones.
El artículo presenta ProCap, un marco innovador que mejora la generación de descripciones de cambios visuales al reformular el modelado estático de pares de imágenes en una representación dinámica de procedimientos mediante un diseño de dos etapas que aprende y codifica la evolución temporal implícita entre imágenes.
Este estudio propone un sistema automatizado basado en un modelo de lenguaje grande y múltiples agentes virtuales especializados que, mediante la recuperación de información y el análisis deliberado, evalúan la viabilidad técnica y comercial de nuevos conceptos de productos con una precisión comparable a la de expertos humanos.
Este informe presenta un sistema de inspección óptica automatizada basado en arquitecturas de aprendizaje profundo (YOLOv8, ResNet-152 y EfficientNet-b4) para detectar defectos críticos en instrumentos quirúrgicos fabricados en Pakistán, utilizando un conjunto de datos de 4.414 imágenes y colaborando con líderes de la industria local para mejorar la seguridad del paciente y la calidad de fabricación.
El artículo presenta TADPO, un nuevo sistema de aprendizaje por refuerzo basado en visión que permite la conducción autónoma de alta velocidad en terrenos off-road complejos, logrando por primera vez una transferencia cero-shot de simulación a la realidad en un vehículo a escala completa.
El artículo presenta MM-ISTS, un marco multimodal que utiliza modelos de lenguaje grandes de visión y texto para mejorar la predicción de series temporales muestreadas irregularmente mediante la integración de representaciones temporales, visuales y textuales, un mecanismo de codificación en dos etapas y un módulo de alineación multimodal.
Este artículo presenta ICBench, un nuevo benchmark para diagnosticar la "ceguera lingüística" en modelos VLA que priorizan la visión sobre las instrucciones, y propone IGAR, un mecanismo de recalibración de atención sin entrenamiento que restaura la alineación lingüística y mejora la fiabilidad de los robots ante instrucciones contradictorias.
El artículo presenta RepKAN, una arquitectura innovadora que combina la eficiencia de las CNN con el poder de representación no lineal de las KAN para lograr una clasificación de imágenes de teledetección interpretable y de alto rendimiento.
El artículo presenta MASFactory, un marco de trabajo centrado en grafos para orquestar sistemas multiagente basados en LLM que introduce la "Vibe Graphing" para convertir intenciones en lenguaje natural en flujos de trabajo ejecutables, facilitando la reutilización de componentes, la integración de contextos heterogéneos y la interacción humana.
Este artículo propone un marco de investigación en tres pasos para desarrollar agentes conversacionales de aclaración de intenciones aumentados por recuperación que protejan la información sensible en dominios críticos, definiendo modelos de ataque, diseñando defensas y evaluando el equilibrio entre protección y utilidad.
Este estudio analiza las activaciones intermedias de modelos visión-lenguaje ligeros para identificar que sus fallos en escenarios de conducción autónoma se deben tanto a la falta de codificación lineal de ciertos conceptos visuales (fallo perceptual) como a la incapacidad de alinear la información visual presente con la semántica lingüística (fallo cognitivo), revelando además que la distancia del objeto degrada rápidamente la separabilidad de estos conceptos.
El artículo presenta TempoSyncDiff, un marco de difusión latente basado en destilación que genera cabezas parlantes impulsadas por audio con baja latencia y alta consistencia temporal, mitigando problemas como el parpadeo y la deriva de identidad mediante un enfoque maestro-alumno y condicionamiento basado en visemas.
El estudio presenta PyPDDLEngine, un motor de simulación PDDL que permite a los LLMs actuar como políticas de búsqueda interactivas, demostrando que aunque este enfoque agente ofrece una ventaja marginal del 3% en la resolución de problemas de planificación frente a la planificación directa, su eficacia depende críticamente de la naturaleza de la retroalimentación ambiental, la cual resulta menos efectiva en dominios autoevaluados como PDDL en comparación con entornos con señales externas verificables.