63 artículos
El artículo presenta GIT-BO, un marco de optimización bayesiana que combina el modelo fundacional tabular TabPFN v2 con un mecanismo de subespacio activo para lograr un rendimiento superior y una mayor eficiencia computacional en problemas de alta dimensión (hasta 500) sin necesidad de reentrenamiento en línea.
El artículo presenta EDINET-Bench, un nuevo benchmark de código abierto basado en informes financieros japoneses que revela que, a pesar de sus avances en otros campos, los modelos de lenguaje actuales apenas superan a métodos estadísticos simples en tareas financieras complejas, lo que subraya la necesidad de marcos de evaluación más sofisticados que simulen el entorno profesional real.
El artículo presenta AttnBoost, un marco de aprendizaje interpretable que integra un mecanismo de atención a nivel de características en el proceso de boosting para mejorar la precisión y la explicabilidad en la previsión de la demanda de productos en cadenas de suministro minoristas.
El artículo presenta FMint-SDE, un modelo fundacional multimodal basado en transformadores que acelera la simulación de ecuaciones diferenciales estocásticas mediante un esquema universal de corrección de errores, logrando una superior relación entre precisión y eficiencia en comparación con los métodos tradicionales.
Este trabajo propone un modelo de pago CBDC offline para dispositivos IoT que integra elementos seguros y pruebas de conocimiento cero ligeras para garantizar transacciones privadas, seguras y sin conexión a internet, abordando al mismo tiempo las limitaciones de recursos y los requisitos regulatorios.
El artículo propone FedEMA-Distill, un método de aprendizaje federado que combina un promedio móvil exponencial del modelo global con la destilación de conocimiento basada en logits para lograr un entrenamiento más robusto, eficiente en comunicación y resistente a ataques adversarios sin requerir cambios en el software de los clientes.
Este paper establece la Economía de la Inteligencia Encarnada, argumentando que cuando las capacidades de la IA física superan umbrales críticos de destreza y fiabilidad, provocan una transición de fase que reorganiza la geografía económica de la manufactura, desplazando las fábricas de los centros de mano de obra hacia ubicaciones optimizadas para máquinas y permitiendo una producción descentralizada cerca de la demanda.
Este estudio demuestra que un edificio puede funcionar como un reservorio físico computacional, utilizando las vibraciones del suelo captadas por una red de acelerómetros y un pipeline de procesamiento ligero para localizar con precisión los pasos de los ocupantes sin necesidad de recalibración específica para cada persona.
Este artículo presenta VeNRA, un agente de razonamiento financiero neuro-simbólico que elimina las alucinaciones mediante un Libro Mayor de Hechos Universal estrictamente tipado y un detector adversarial de baja latencia entrenado mediante simulación de errores ecológicos para garantizar la precisión aritmética y la integridad de los datos.
MOOSEnger es un agente de IA especializado que combina generación aumentada por recuperación con herramientas de análisis y ejecución deterministas para convertir instrucciones en lenguaje natural en archivos de entrada válidos y ejecutables para el entorno de simulación MOOSE, logrando una tasa de éxito del 93% frente al 8% de los modelos de lenguaje puros.
Este artículo propone un método de localización por pertenencia a conjuntos basado en programación convexa para estimar la ubicación de un punto en a partir de mediciones de distancia ruidosas con errores acotados, caracterizando un conjunto de localización no convexo y generando estimaciones garantizadas mediante envolventes externas simples como cajas o elipsoides.
Este trabajo propone un enfoque de flujo superficial continuo (CSF) escalado por parámetros que mejora significativamente la precisión y reduce los costos computacionales en la simulación de la piscina de fusión en la fabricación aditiva de metales, al mitigar los errores inherentes a los métodos CSF clásicos causados por gradientes de temperatura extremos y grandes diferencias en las propiedades de los materiales.
Este artículo presenta un marco innovador que integra un modelo de lenguaje grande (LLM) para generar alfas formulaicas basadas en sentimiento y datos históricos, las cuales, al ser utilizadas como características de entrada en modelos predictivos como Transformers, mejoran significativamente la precisión y la interpretabilidad de las predicciones de precios de acciones.
Este artículo propone una estrategia de optimización de carteras de criptomonedas que integra indicadores técnicos y análisis de sentimiento para mejorar la gestión de riesgos y superar a las estrategias tradicionales, aunque advierte sobre la necesidad de reforzar los componentes de control de riesgo ante periodos de alta volatilidad.
Este artículo presenta un marco de aprendizaje por refuerzo que utiliza Proximal Policy Optimization (PPO) para optimizar dinámicamente los pesos de alfas generados por modelos de lenguaje grande, logrando una mayor estabilidad en el rendimiento ajustado al riesgo y una reducción de las pérdidas máximas en comparación con estrategias tradicionales de trading.
Este artículo desarrolla un cálculo de Laplaciano biortogonal para el análisis armónico exacto en redes dirigidas no normales, estableciendo transformadas de Fourier, cotas variacionales y garantías de reconstrucción que cuantifican explícitamente la distorsión geométrica inducida por la no normalidad.
SpecBridge es un marco de alineación implícita que mejora significativamente la identificación de moléculas pequeñas a partir de espectrometría de masas al ajustar un codificador espectral sobre un modelo fundacional molecular congelado, logrando una mayor precisión de recuperación con menos parámetros entrenables que los enfoques existentes.
Este trabajo extiende el marco CNF para resolver ecuaciones diferenciales parciales no lineales y acopladas mediante un método de colocación guiado por aprendizaje, abarcando la implementación, autoajuste y evaluación de diversas técnicas para problemas directos, inversos y de descubrimiento de ecuaciones.
Este artículo propone una formulación más simple e intuitiva para la función de costo de los puntos calientes dentro del código optAPM, incorporando la pre-interpolación de datos de trayectorias para reducir errores de modelado y mejorar la precisión de las reconstrucciones del movimiento absoluto de las placas tectónicas.
El artículo presenta MOOSE-Star, un marco unificado que supera la complejidad computacional inherente al entrenamiento directo de modelos de lenguaje para el descubrimiento científico mediante la descomposición de tareas, la búsqueda jerárquica guiada por motivación y la composición acotada, logrando así una reducción de la complejidad de exponencial a logarítmica y un escalado continuo en tiempo de prueba respaldado por el dataset TOMATO-Star.