4646 artículos
Este trabajo presenta un marco matemático unificado que demuestra la equivalencia entre el modelo generativo "Drifting" y el flujo de gradiente de Wasserstein de la divergencia KL bajo aproximación KDE, extendiendo este enfoque a otras divergencias, variedades riemannianas y estrategias mixtas para mitigar simultáneamente el colapso y el desenfoque de modos.
Este documento técnico presenta una implementación en JAX de la familia Broyden autoescalada de métodos cuasi-Newton, compatible con la librería Optimistix, que incluye variantes como BFGS, DFP y Broyden junto con una búsqueda de línea Zoom, con el objetivo de facilitar su adopción en la comunidad de JAX.
El artículo presenta Geo-ATBench, un nuevo conjunto de datos y marco de referencia para la etiquetado de audio geoespacial que demuestra cómo integrar el contexto semántico geográfico mejora la precisión en la identificación de eventos sonoros, especialmente cuando la información acústica por sí sola es ambigua.
El artículo propone la Recompensa de Expectativa Condicional (CER), un método que utiliza el propio modelo de lenguaje como verificador implícito para proporcionar señales de recompensa graduales y eliminar la dependencia de reglas de verificación manuales, mejorando así el aprendizaje por refuerzo en dominios de razonamiento generales y matemáticos.
Este artículo presenta un enfoque novedoso y explicable para detectar y eliminar backdoors en redes neuronales mediante el análisis de caminos activos, demostrando su eficacia experimental en un modelo de detección de intrusiones.
El artículo presenta FAME, un nuevo método de explicaciones abductivas basado en interpretación abstracta que escala a redes neuronales grandes reduciendo el tamaño de las explicaciones mediante dominios de perturbación dedicados y límites LiRPA, superando a VERIX+ en eficiencia y calidad.
Este artículo presenta una red neuronal de grafos con atención espacio-temporal (STA-GNN) para la detección de anomalías no supervisada y explicable en sistemas de control industrial, la cual modela las interdependencias ciberfísicas, gestiona el desplazamiento de la línea base mediante predicción conformal y ofrece mecanismos de atención para revelar las relaciones causales detrás de las alertas.
Este trabajo presenta un marco de aprendizaje automático basado en redes neuronales SHRED y reducción de dimensionalidad mediante SVD para reconstruir de manera eficiente y precisa los estados completos de flujo magnetohidrodinámico en sistemas de fusión nuclear a partir de mediciones térmicas limitadas, demostrando su potencial como modelo sustituto para la estimación de estados en tiempo real.
El artículo presenta "Contract And Conquer" (CAC), un método de ataque adversarial en caja negra que garantiza la generación de ejemplos adversarios para modelos de redes neuronales mediante la destilación de conocimiento y la contracción del espacio de búsqueda, superando a los métodos actuales en el conjunto de datos ImageNet.
El artículo presenta EvoSchema, un nuevo benchmark que evalúa y mejora la robustez de los sistemas de texto-a-SQL frente a la evolución de esquemas de bases de datos mediante una taxonomía de perturbaciones que revela el impacto crítico de los cambios a nivel de tabla y demuestra que el entrenamiento con datos perturbados genera modelos más resilientes.
El artículo presenta Riemannian MeanFlow (RMF), un método que extiende MeanFlow a variedades riemannianas mediante un campo de velocidades promedio y transporte paralelo para permitir la generación en un solo paso sin necesidad de integrar ecuaciones diferenciales, logrando así una reducción significativa en el costo de muestreo manteniendo alta calidad.
Este artículo presenta el algoritmo "Sample-and-Search", un método de aprendizaje aumentado para el problema de clustering -medianas en altas dimensiones que, mediante una técnica de muestreo, reduce significativamente la complejidad computacional y la dependencia exponencial de la dimensión en comparación con enfoques existentes.
El sistema CacheSolidarity protege los entornos de inferencia de LLMs multi-tenant contra canales laterales de tiempo derivados de la caché de prefijos, logrando un equilibrio entre seguridad y eficiencia al aislar selectivamente solo los prefijos sospechosos en lugar de desactivar completamente el uso compartido de caché.
Este artículo compara la aproximación bayesiana mediante Dropout de Monte Carlo y el marco de Predicción Conformal para la estimación de incertidumbre en redes neuronales convolucionales, demostrando que, aunque algunos modelos logran mayor precisión, la evaluación de la calibración y la validez estadística es fundamental para desarrollar sistemas de aprendizaje profundo más fiables y seguros.
Este artículo propone una solución estructural a los fallos de filtrado de datos en el aprendizaje automático mediante una gramática basada en un grafo acíclico dirigido con siete primitivas y cuatro restricciones estrictas que, al imponer una frontera de evaluación en tiempo de ejecución, previenen la selección y la memorización de datos de prueba, validando su eficacia mediante múltiples implementaciones y estudios cuantitativos.
El artículo presenta CUPID, un marco de trabajo modular que estima de forma conjunta la incertidumbre aleatoria y epistémica en redes neuronales preentrenadas sin necesidad de reentrenamiento, ofreciendo una solución interpretable y adaptable para la toma de decisiones en entornos de alto riesgo.
El artículo presenta DeepRDFC, un marco de aprendizaje profundo basado en autoencoders que optimiza la simulación de canales distribuidos para la computación de funciones aleatorizadas, logrando un rendimiento superior y una mayor eficiencia en la carga de comunicación en comparación con los métodos tradicionales de compresión de datos.
El artículo presenta un método basado en Funciones Físicas No Clonables (PUF) para vincular los pesos de los modelos de redes neuronales a su hardware subyacente, impidiendo así la ejecución precisa de estos modelos en hardware clonado y protegiendo la propiedad intelectual.
El artículo propone Sign-Prioritized FL (SP-FL), un marco innovador para el aprendizaje federado inalámbrico que mejora la fiabilidad y la precisión de los modelos priorizando la transmisión de los signos de los gradientes mediante una asignación jerárquica de recursos, logrando hasta un 9,96% más de exactitud en escenarios con recursos limitados.
Este trabajo propone un marco de aprendizaje profundo impulsado por la dinámica que combina precursores basados en la inestabilidad transitoria, calculados eficientemente mediante modos OTD, con modelos Transformer para extender significativamente el horizonte de predicción de eventos extremos en sistemas caóticos de alta dimensión sin requerir las ecuaciones gobernantes.