4883 artículos
Este artículo presenta LTSV, un método ligero para la valoración de datos en series temporales que aprovecha el ajuste fino en contexto de modelos fundacionales para estimar la contribución de las muestras de manera eficiente y precisa, superando las limitaciones computacionales y de dependencia temporal de los enfoques tradicionales.
Este artículo presenta un método de aprendizaje en contexto basado en modelos fundacionales de series temporales para clasificar el estado de salud de rodamientos en motores de servoprensas sin necesidad de ajuste fino, demostrando su eficacia en diversas condiciones operativas y su potencial para sistemas de mantenimiento como servicio.
Este trabajo propone un marco de asincronía periódica que desacopla la inferencia del entrenamiento en un pipeline productor-consumidor, logrando un aumento de tres a cinco veces en el rendimiento sin sacrificar la corrección on-policy ni la precisión, gracias a una arquitectura tri-modelo unificada y un mecanismo de atención de prompt compartido.
Este estudio presenta el Decoder-DeepONet (DDON), un modelo de aprendizaje automático interpretable basado en la arquitectura de aprendizaje de operadores que supera a los métodos anteriores para reconstruir perfiles de campo eléctrico en descargas a partir de señales EFISH, logrando mayor precisión, generalización y robustez ante datos incompletos.
El artículo presenta ELERAG, una arquitectura de generación aumentada por recuperación (RAG) que integra la vinculación de entidades y una estrategia de reordenamiento híbrida para mejorar significativamente la precisión factual en sistemas de preguntas y respuestas educativas en italiano, demostrando su superioridad sobre métodos convencionales en dominios específicos.
Este artículo presenta SAGFM, un marco de modelos fundamentales de grafos que mejora la robustez y la adaptación a dominios mediante la augmentación semántica consciente de la estructura, el empaquetamiento de información guiado por la estructura y un mecanismo de enrutamiento adaptativo de expertos.
El artículo presenta ADHint, un método de aprendizaje por refuerzo que integra dinámicamente la dificultad de las muestras para ajustar la proporción de pistas y modular los gradientes, logrando así un equilibrio superior entre exploración e imitación que mejora la capacidad de razonamiento y la generalización fuera de distribución.
El artículo presenta la Inversión Textual Direccional (DTI), un método que mejora la personalización de generación de imágenes texto-a-imagen optimizando únicamente la dirección de los tokens en una hiperesfera para evitar la inflación de la norma de los embeddings, lo que resulta en una mayor fidelidad al prompt, una mejor contextualización y una interpolación semántica coherente.
Este estudio demuestra que, aunque el método de campo de bloque basado en descriptores lineales multicanal (MLD-BFM) logra la mejor precisión en la decodificación continua de cinco grados de libertad de los dedos mediante sEMG de alta densidad, su ventaja sobre las características temporales convencionales no es estadísticamente significativa, lo que sugiere que la resolución espacial inherente a las grabaciones densas es más crítica que los descriptores espaciales explícitos para esta tarea.
Este artículo presenta EMFusion, un marco de pronóstico probabilístico basado en difusión condicional que utiliza una arquitectura U-Net residual con atención cruzada para realizar pronósticos multivariados selectivos en frecuencia de campos electromagnéticos (EMF) en redes inalámbricas, ofreciendo estimaciones de incertidumbre calibradas y superando significativamente a los modelos existentes en precisión y fiabilidad.
Este estudio presenta el marco WT-RDF+, que optimiza los parámetros de la Transformada de Ondículas de la Función de Distribución Radial mediante aprendizaje automático para superar las limitaciones de precisión en la reconstrucción de estructuras amorfas de Ge-Se y Ag-Ge-Se, superando a modelos de referencia como RBF y LSTM con solo el 25% de los datos de entrenamiento.
El artículo propone un nuevo marco teórico que identifica una discrepancia en las actualizaciones de activación durante el descenso de gradiente, derivando de ello una justificación de primer principio para las técnicas de normalización y presentando alternativas funcionales como "PatchNorm" que superan a los normalizadores convencionales.
Este artículo demuestra teóricamente y valida experimentalmente que incorporar actualizaciones locales en el algoritmo distribuido DIGing puede acelerar la optimización sin reducir el tamaño del paso, revelando que dos actualizaciones locales son suficientes para lograr la máxima mejora posible.
Este artículo presenta la modelización generativa bayesiana (BGM), un marco unificado que utiliza un algoritmo de actualización bayesiana estocástica iterativa para aprender un modelo generativo único capaz de realizar inferencias condicionales arbitrarias con cuantificación rigurosa de la incertidumbre, sin necesidad de reentrenamiento.
Este trabajo presenta un sistema automatizado basado en agentes de investigación web potenciados por LLM que genera y resuelve a gran escala preguntas de pronóstico diversas y verificables, superando la calidad de las plataformas humanas y demostrando mejoras en la precisión de los modelos de IA mediante estrategias de descomposición de preguntas.
El marco Infusion demuestra que es posible moldear sistemáticamente el comportamiento de modelos de visión y lenguaje mediante pequeñas perturbaciones calculadas con funciones de influencia en una fracción mínima de los datos de entrenamiento, lo que subraya la importancia crítica de la interpretabilidad de dichos datos para la seguridad.
Este trabajo propone un marco robusto para la optimización de surtidos basado en datos observacionales que maximiza los ingresos esperados en el peor de los casos ante cambios en las preferencias de los clientes, estableciendo garantías teóricas sobre la complejidad de la muestra y definiendo la "cobertura robusta por artículo" como el requisito mínimo de datos para un aprendizaje eficiente.
Este estudio presenta un enfoque novedoso basado en transformadores de cuello de botella que mejora la predicción automática de la métrica STOI al lograr una mayor correlación y menor error cuadrático medio en comparación con los modelos actuales, sin depender de una referencia de habla limpia.
El paper presenta B-DENSE, un marco innovador que mejora la eficiencia de la destilación en modelos de difusión mediante un alineamiento de trayectoria denso y multirrama, permitiendo que el modelo estudiante aprenda pasos intermedios completos para generar imágenes de mayor calidad con menor latencia.
El artículo presenta "Missing-by-Design" (MBD), un marco unificado para el análisis de sentimientos multimodal revocable que combina aprendizaje de representaciones y un proceso de modificación de parámetros certificable para eliminar selectivamente modalidades de datos sensibles sin necesidad de reentrenar el modelo completo.