4198 artículos
El artículo presenta D-GAP, un método de aumento de datos agnóstico al conjunto de datos y guiado por gradientes que mejora la robustez fuera de dominio al aplicar perturbaciones adaptativas tanto en el espectro de amplitud (espacio de frecuencia) como en los valores de píxel para reducir el sesgo de aprendizaje y restaurar detalles espaciales.
El artículo presenta STREAM-VAE, un modelo de autoencoder variacional que mejora la detección de anomalías en telemetría de vehículos mediante un enrutamiento dual que separa las dinámicas de deriva lenta y picos rápidos para generar puntuaciones estables y robustas.
El artículo presenta REMSA, un agente consciente de restricciones que, aprovechando la primera base de datos estructurada de modelos fundamentales de teledetección (RS-FMD), automatiza la selección de modelos óptimos para tareas específicas mediante consultas en lenguaje natural y una evaluación rigurosa basada en expertos.
Este artículo presenta un marco de olvido selectivo jerárquico de doble estrategia que, mediante actualizaciones de gradiente geométricamente restringidas e intervenciones a nivel de tokens conscientes de conceptos, elimina eficazmente conocimientos médicos específicos de grandes modelos de lenguaje preservando sus competencias fundamentales y garantizando la privacidad con una modificación mínima de parámetros.
El artículo presenta CostNav, un nuevo benchmark que evalúa la viabilidad económica real de los agentes de IA física para la navegación mediante el análisis de costos y beneficios utilizando datos regulatorios y financieros de la industria, revelando que los métodos actuales, aunque exitosos en tareas simplificadas, no son económicamente viables en escenarios del mundo real.
El artículo presenta IndiMathBench, un nuevo conjunto de pruebas de 312 problemas matemáticos de las Olimpiadas de Matemáticas de la India formalizados en Lean 4 mediante un pipeline híbrido de IA y verificación humana, diseñado para evaluar y destacar las limitaciones actuales de los modelos de lenguaje en la demostración automática de teoremas.
El artículo presenta C3, un método de cuantificación de incertidumbre que entrena modelos de video generativos para estimar y visualizar de forma calibrada la confianza a nivel de subparche, permitiendo detectar y localizar alucinaciones en tareas de generación de video controlado y aprendizaje robótico.
El artículo presenta Trio, un marco de generación molecular que integra modelado de lenguaje, aprendizaje por refuerzo y búsqueda en árbol Monte Carlo para lograr un diseño de ligandos dirigido, interpretable y en bucle cerrado que supera a los métodos actuales en afinidad de unión, propiedades farmacológicas y diversidad química.
Este trabajo introduce variantes de bosques aleatorios basadas en el principio de minimización del riesgo máximo (MaxRM) para mejorar la generalización fuera de distribución, ofreciendo algoritmos eficientes, demostrando consistencia estadística y garantizando resultados en distribuciones de prueba no vistas.
El artículo presenta GTR-Turbo, un método eficiente que utiliza un modelo maestro "gratuito" generado mediante la fusión de checkpoints durante el entrenamiento por refuerzo para mejorar el rendimiento de los agentes VLM, reducir costos computacionales y eliminar la dependencia de modelos propietarios costosos.
El artículo presenta el PBT (Pretrained Battery Transformer), un modelo fundacional que utiliza capas de expertos codificados con conocimiento de baterías para predecir universalmente la vida útil de baterías de litio, sodio y zinc con un rendimiento superior al estado del arte, superando los desafíos de escasez y heterogeneidad de datos.
Este estudio presenta un marco basado en YOLOv8 y Finer-CAM que, al analizar proyecciones 2D de nubes de puntos TLS, logra una precisión del 96% en la clasificación de siete especies arbóreas europeas y demuestra que el modelo utiliza principalmente las copas para su identificación, mientras que los tallos son más determinantes para especies como el fresno, el pino silvestre y el douglas, mejorando así la interpretabilidad y confianza en las predicciones del modelo.
Este artículo demuestra que los transformadores pequeños, en entornos controlados denominados "túneles de viento bayesianos", realizan inferencia bayesiana con alta precisión mediante un mecanismo geométrico específico donde las corrientes residuales almacenan creencias y la atención gestiona el enrutamiento, superando así a las arquitecturas MLP y revelando la base geométrica del razonamiento en modelos grandes.
Este artículo demuestra que el entrenamiento por entropía cruzada en los transformadores genera dinámicas de gradiente acopladas que esculpen manifiestos bayesianos de baja dimensión, unificando así la optimización, la geometría interna y el razonamiento probabilístico en contexto mediante un mecanismo de enrutamiento basado en ventajas y actualizaciones de valores ponderadas por responsabilidad.
El estudio demuestra que los modelos de lenguaje modernos preservan una sustrato geométrico de baja dimensión, alineado con la entropía predictiva, que codifica la estructura bayesiana y permite inferencias aproximadas similares a las observadas en entornos sintéticos controlados.
Este trabajo analiza el problema del "sobre-búsqueda" en modelos de lenguaje grandes aumentados con búsqueda, proponiendo la métrica Tokens por Corrección (TPC) para cuantificar este fenómeno, identificando sus causas y efectos negativos, y presentando estrategias de mitigación junto con el conjunto de datos OverSearchQA para fomentar investigaciones futuras.
Este estudio presenta una arquitectura multi-tenant segura combinada con un mecanismo de "destrucción tras el uso" para entornos de LLM empresariales, logrando aislar instancias y eliminar contextos efímeros para prevenir eficazmente la fuga de datos mediante una alta tasa de éxito en pruebas de defensa contra ataques de filtración y persistencia.
Este artículo presenta un ataque de denegación de servicio económico y sigiloso para agentes de LLM que, mediante la manipulación de llamadas a herramientas bajo el Protocolo de Contexto del Modelo (MCP) y optimizado con Búsqueda de Árbol Monte Carlo, genera cadenas de interacción prolongadas que multiplican drásticamente los costos y el consumo de recursos sin ser detectado por filtros convencionales.
Este artículo presenta un agente de aprendizaje por refuerzo para el videojuego Dark Souls III que, mediante un gráfico de habilidades dirigido y un currículo jerárquico, descompone el control en cinco habilidades reutilizables, logrando una mayor eficiencia de muestras y permitiendo la adaptación selectiva a cambios ambientales sin necesidad de reentrenar todo el sistema.
MemOCR es un agente multimodal que optimiza el razonamiento a largo plazo bajo presupuestos de contexto limitados, transformando la memoria estructurada en imágenes visuales para priorizar la información crucial y comprimir los detalles auxiliares de manera adaptativa.