3834 artículos
El artículo presenta Fair-PaperRec, un modelo basado en redes neuronales que utiliza criterios interseccionales y una función de pérdida personalizada para mitigar los sesgos demográficos en la aceptación de artículos académicos, logrando simultáneamente un aumento significativo en la participación de grupos subrepresentados y una mejora en la utilidad general sin comprometer el rigor académico.
El artículo presenta ProtoSR, un enfoque que mejora la generación de informes radiológicos estructurados y de alta granularidad extrayendo conocimiento de informes en texto libre mediante prototipos visuales para corregir y refinar las predicciones del modelo.
El artículo presenta la Reconfiguración de Resistencia Efectiva (ERR), una estrategia de corrección topológica que utiliza la resistencia efectiva global para identificar y mitigar los cuellos de botella estructurales que causan el "sobre-aplastamiento" en las Redes Neuronales de Grafos, mejorando la propagación de información a larga distancia mientras gestiona el equilibrio entre la conectividad y el sobre-suavizado mediante técnicas de normalización.
Los autores proponen integrar teselaciones de Voronoi en circuitos probabilísticos para capturar la geometría local de los datos, abordando la pérdida de tratabilidad mediante un marco de inferencia aproximada con límites garantizados y una condición estructural que permite la inferencia exacta, todo ello habilitado para el aprendizaje mediante una relajación diferenciable.
Este trabajo introduce los Ataques de Puerta Trasera Retardados (DBA), una nueva clase de amenazas que desacoplan temporalmente la activación maliciosa del disparador mediante el módulo DND, demostrando que es posible utilizar palabras cotidianas como triggers y mantener la puerta trasera latente hasta alcanzar un umbral configurado, lo que revela una superficie de ataque temporal previamente inexplorada en modelos preentrenados.
El artículo presenta SLIP, un marco de preentrenamiento de código abierto que alinea representaciones de sensores con el lenguaje mediante un embebido de parches flexible y un modelo de lenguaje preentrenado, logrando un rendimiento superior en transferencia cero, descripción de señales y preguntas sobre sensores a través de configuraciones y resoluciones temporales diversas.
Este artículo presenta un marco de reconocimiento de emociones multimodal para el desafío ABAW 10, que combina modelos preentrenados (CLIP y Wav2Vec 2.0), modelado temporal mediante TCN y un módulo de atención cruzada bidireccional para lograr un rendimiento superior en entornos no controlados.
El artículo presenta NormCoRe, un marco metodológico que traduce sistemáticamente experimentos con sujetos humanos a entornos de inteligencia artificial multiagente para estudiar la dinámica normativa, demostrando mediante una réplica sobre justicia distributiva que los juicios normativos de los agentes de IA difieren de los humanos y dependen de factores como el modelo base y el lenguaje utilizado.
Este trabajo presenta HomeSafe-Bench, un nuevo benchmark para evaluar la detección de acciones inseguras en entornos domésticos mediante modelos de visión-lingüística, junto con HD-Guard, una arquitectura de doble cerebro jerárquico que equilibra eficiencia y precisión en la supervisión de seguridad en tiempo real para agentes robóticos.
El artículo presenta LABSHIELD, un nuevo benchmark multimodal basado en normas de seguridad internacionales para evaluar la capacidad de los modelos de lenguaje grandes multimodales en la identificación de peligros y la planificación segura dentro de entornos de laboratorio científicos.
Este artículo presenta BTZSC, un benchmark integral de 22 conjuntos de datos que evalúa y compara sistemáticamente el rendimiento de cuatro familias de modelos (codificadores cruzados, modelos de incrustación, rerankers y LLMs) en clasificación de texto zero-shot, revelando que los rerankers modernos establecen un nuevo estado del arte mientras que los modelos de incrustación ofrecen el mejor equilibrio entre precisión y latencia.
El artículo presenta FedFew, un algoritmo de aprendizaje federado personalizado que reformula el problema como una optimización "pocos para muchos" utilizando solo modelos compartidos en el servidor para servir eficientemente a clientes con datos heterogéneos, logrando un rendimiento superior al estado del arte sin necesidad de particionamiento manual o ajuste exhaustivo de hiperparámetros.
Este estudio empírico demuestra que, aunque el ajuste fino por refuerzo (RFT) generaliza bien dentro de un mismo entorno, su transferencia a entornos no vistos es limitada, mientras que el entrenamiento secuencial y mixto entre múltiples entornos mejora el equilibrio y la retención de conocimientos en agentes LLM.
El artículo presenta Flowcean, un marco innovador que automatiza la generación de modelos para Sistemas Ciberfísicos mediante aprendizaje de datos, destacando por su arquitectura modular, flexibilidad y enfoque en la usabilidad para optimizar el diseño y la operación de estos sistemas complejos.
Este estudio explora cómo los diseñadores pueden recuperar su agencia creativa al colaborar con tecnologías inteligentes emergentes, como los LLM, mediante la introspección, la comprensión estructural de la tecnología y el ajuste deliberado de la dinámica de la relación humano-tecnología.
Este artículo presenta un enfoque sistemático para la adaptación sim-real en el amarre autónomo de un AUV utilizando aprendizaje por refuerzo profundo, logrando una tasa de éxito superior al 90% en simulación y validando su eficacia en un tanque físico mediante un entorno digital de alta fidelidad y el algoritmo PPO.
El marco LabelPigeon demuestra que la proyección de etiquetas mediante etiquetas XML permite realizar una traducción y transferencia de anotaciones de forma conjunta, logrando mejoras sustanciales en tareas de transferencia cruzada sin comprometer, e incluso mejorando, la calidad de la traducción.
Este trabajo demuestra cómo la combinación de vulnerabilidades tradicionales de software y hardware con debilidades algorítmicas en sistemas de IA compuestos puede amplificar las amenazas adversarias, revelando la necesidad de abordar estos riesgos sistémicos mediante la sistematización de primitivas de ataque para mejorar la seguridad y las estrategias de defensa.
El artículo presenta "Slow-Fast Inference", un marco de inferencia sin entrenamiento que acelera la decodificación autoregresiva en contextos largos al decoupar la generación en pasos rápidos que reutilizan una memoria esparsa y pasos lentos que actualizan dicha memoria en límites semánticos, logrando un aumento significativo en el rendimiento sin comprometer la calidad.
El artículo presenta XSkill, un marco de doble flujo que permite a los agentes multimodales mejorar continuamente sin actualizar parámetros, extrayendo y recuperando conocimientos complementarios de experiencias y habilidades basados en observaciones visuales para optimizar la selección de herramientas y la planificación en entornos abiertos.