2396 artículos
Este trabajo propone un modelo de aprendizaje profundo geométrico basado en transformadores que utiliza mallas tetraédricas y puntos de referencia anatómicos para mejorar el diagnóstico de la enfermedad de Alzheimer y predecir la positividad de amiloide cerebral en pacientes de riesgo medio, evitando así la necesidad de costosos y invasivos escáneres PET.
Este estudio analiza el impacto de la inteligencia artificial y la retroalimentación entre pares en el desarrollo de la escritura académica de 36 investigadores kazajos mediante la plataforma CGScholar, revelando que, aunque existe una disposición positiva hacia la asistencia de la IA, los participantes valoran especialmente la orientación metodológica proporcionada por sus pares.
El artículo presenta ViLAM, un método que destila el razonamiento de modelos de visión-idioma en mapas de atención espacial para mejorar la navegación socialmente compliant de robots, logrando mejoras significativas en la tasa de éxito mediante experimentos reales.
El artículo presenta IMPACT, un marco de planificación de movimiento que utiliza Modelos Visuales-Lingüísticos para inferir la semántica del entorno y generar mapas de costos anisotrópicos, permitiendo a los robots encontrar trayectorias estables y seguras que incluyen contactos aceptables en entornos desordenados.
El artículo presenta iProg, una herramienta de programación inductiva estructurada interactiva que combina la descripción natural de tareas con la intervención humana y modelos de lenguaje para generar diagramas de flujo de datos y código, logrando un desarrollo de sistemas de análisis científico más rápido, fiable y de mayor calidad que las alternativas de "No Code".
Este estudio revela que, aunque los Grandes Modelos de Lenguaje (LLM) tienden a sobrerrepresentar a las mujeres en sus historias generadas debido al ajuste fino y al aprendizaje por refuerzo, paradójicamente siguen asignándoles roles ocupacionales que reflejan estereotipos de género más que la realidad laboral actual.
Este trabajo presenta un método unificado para la reconstrucción robusta de dos manos a partir de imágenes monoculares que combina la alineación de priores estructurales heterogéneos de modelos fundacionales en 2D con un modelo de difusión libre de penetración en 3D para lograr interacciones físicamente creíbles y resistentes a oclusiones.
El paper presenta EDU-PRM, un nuevo modelo de recompensa de proceso que utiliza la incertidumbre basada en entropía para segmentar automáticamente los pasos de razonamiento sin anotaciones manuales, logrando un rendimiento superior en el benchmark ProcessBench con solo el 1,5% de los datos de entrenamiento y reduciendo significativamente el uso de tokens.
El proyecto MediTools presenta una aplicación prototipo que utiliza modelos de lenguaje grandes (LLM) para revolucionar la educación médica mediante herramientas interactivas de simulación clínica, análisis de literatura y resúmenes de noticias, validando su potencial a través de una encuesta con profesionales y estudiantes.
Este estudio mejora la predicción del síndrome metabólico mediante un marco híbrido innovador llamado MetaBoost que optimiza el equilibrio de datos y un análisis contrafactual que identifica la glucosa y los triglicéridos como los factores modificables más críticos para reducir el riesgo.
Este artículo presenta una revisión exhaustiva que unifica la evaluación de modelos de lenguaje y agentes autónomos mediante una taxonomía de aproximadamente 60 benchmarks, analiza marcos de trabajo y protocolos de colaboración, y explora aplicaciones reales junto con recomendaciones para futuras investigaciones en razonamiento avanzado y seguridad.
El artículo presenta SFIBA, un ataque de puerta trasera invisible basado en el espacio que garantiza la especificidad y el sigilo en escenarios de caja negra mediante la restricción de los desencadenantes a regiones espaciales locales y su inyección en el dominio de la frecuencia, logrando así un alto rendimiento de ataque multiobjetivo sin comprometer la detección o el rendimiento del modelo.
Este trabajo presenta la Tarea 5 del Desafío DCASE 2025, un nuevo benchmark de respuesta a preguntas sobre audio que abarca múltiples dominios acústicos para evaluar y mejorar las capacidades de razonamiento de los modelos de audio-lenguaje.
Este estudio demuestra que, aunque el contenido generado por IA mejora la calidad del trabajo, la carga cognitiva extrínseca —particularmente la provocada por cambios de tarea iniciados por el modelo— tiene un impacto negativo tres veces mayor que la carga intrínseca, penalizando desproporcionadamente a los profesionales menos experimentados.
El artículo presenta Ready2Unlearn, un enfoque de optimización durante el entrenamiento que prepara proactivamente a los modelos de aprendizaje automático para futuras solicitudes de olvido mediante principios de meta-aprendizaje, mejorando así la eficiencia y la integridad del proceso de eliminación de datos.
El artículo presenta FreeKV, un marco de co-optimización sin entrenamiento que combina técnicas de recuperación especulativa y corrección de granularidad fina con una arquitectura de sistema híbrida en CPU/GPU para lograr una aceleración de hasta 13 veces en la inferencia de LLMs manteniendo una precisión casi sin pérdidas.
Este artículo presenta un enfoque neuro-simbólico que combina la recuperación de problemas análogos y la verificación formal para mejorar significativamente la precisión en la generación de pruebas de geometría euclidiana por parte de modelos de lenguaje grandes, superando sus limitaciones en el razonamiento lógico riguroso.
El documento presenta MAS-ZERO, un marco de diseño de sistemas multiagente autoevolutivo que, sin supervisión ni conjunto de validación, optimiza dinámicamente la descomposición de problemas y la composición de agentes en tiempo de inferencia, superando significativamente a los enfoques manuales y automáticos existentes en tareas de razonamiento, codificación y búsqueda.
Este artículo presenta AgarCL, una plataforma de investigación basada en el juego Agar.io diseñada para el aprendizaje por refuerzo continuo que, a través de sus dinámicas no episódicas y complejas, revela que los métodos actuales de aprendizaje continuo apenas superan a los algoritmos estándar, indicando que los desafíos van más allá del dilema de estabilidad-plasticidad.
Este artículo presenta un marco teórico general que establece un principio de máximo y una ecuación de Hamilton-Jacobi-Bellman para el control óptimo de densidades de probabilidad en espacios de dimensión infinita, junto con un algoritmo numérico escalable basado en redes neuronales profundas para resolver problemas de control multiagente a gran escala.