13562 artículos
Este estudio evalúa la idoneidad de diferentes enfoques de preprocesamiento de datos para mejorar la generalización y transferibilidad de modelos de aprendizaje automático en la detección de malware, unificando características de EMBERv2 y entrenando modelos combinados que se prueban contra múltiples conjuntos de datos de referencia.
El artículo presenta GeoSR, un marco que mejora el razonamiento espacial de los modelos visión-lenguaje mediante el enmascaramiento estratégico de tokens visuales 2D y una fusión guiada por geometría, logrando así un rendimiento superior al estado del arte al forzar al modelo a utilizar activamente la información geométrica.
El artículo presenta Vision2Web, un benchmark jerárquico basado en sitios web reales que evalúa el desarrollo de sitios visuales desde la generación de código hasta el desarrollo full-stack, utilizando un paradigma de verificación con agentes para revelar las limitaciones actuales de los modelos de lenguaje visuales en tareas complejas.
El artículo presenta PerceptionComp, un nuevo benchmark de 1.114 preguntas manualmente anotadas sobre 279 videos que evalúa la capacidad de razonamiento perceptivo complejo y de largo alcance en modelos de lenguaje multimodal, revelando que tanto los humanos como los modelos de última generación enfrentan dificultades significativas en esta tarea.
Este artículo presenta Ruka-v2, una mano robótica dextrá de código abierto y accionada por tendones que incorpora movilidad de muñeca y abducción de dedos, logrando mejoras significativas en el rendimiento de teleoperación y demostrando su utilidad para el aprendizaje automático en robótica.
El artículo presenta el Hourglass Diffusion Transformer (HDiT), un modelo generativo de imágenes que escala linealmente con el número de píxeles y permite entrenar directamente en el espacio de píxeles a resoluciones altas (como 1024x1024) sin técnicas habituales, logrando un nuevo estado del arte en FFHQ-1024².
Este artículo presenta EIKE, un nuevo enfoque de incrustación de ontologías que integra simultáneamente el conocimiento extensional e intensional mediante un marco unificado que combina métodos geométricos y modelos de lenguaje preentrenados, logrando un rendimiento superior en tareas de clasificación de tripletes y predicción de enlaces.
Este artículo ofrece una revisión exhaustiva de la evolución de los chatbots, desde sus inicios basados en reglas y modelos estadísticos tempranos hasta los actuales agentes conversacionales impulsados por inteligencia artificial y transformadores, analizando hitos clave y proyectando su futuro potencial.
Este artículo presenta un marco de usuario amigable (UF-FGTG) y un nuevo conjunto de datos (CFP) que automatizan la optimización de prompts para síntesis de imágenes texto-a-imagen, traduciendo las entradas de usuarios novatos en prompts preferidos por el modelo para generar imágenes más estéticas y diversas.
El artículo presenta MindSet: Vision, una caja de herramientas que ofrece conjuntos de datos de imágenes manipulados sistemáticamente y scripts para evaluar la alineación entre las redes neuronales profundas y la percepción visual humana mediante 30 hallazgos psicológicos clave.