2315 artículos
Este estudio propone un marco novedoso de aprendizaje continuo para clasificación de imágenes que adapta métodos de aprendizaje incremental por tareas al escenario sin identificador de tarea, utilizando detección de distribuciones fuera de distribución y normalización por lotes específica por tarea para predecir el identificador de tarea y equilibrar eficazmente la plasticidad y la estabilidad.
El artículo presenta CLIQUE, un nuevo método agnóstico al modelo para calcular la importancia local de variables que captura relaciones dependientes y comportamientos de interacción en problemas de clasificación multiclase, superando las limitaciones de técnicas populares como LIME y SHAP.
Este trabajo presenta una nueva red neuronal cuántica de una sola capa que utiliza el método de Base de Bloques Recursiva Estándar (SRBB) y optimiza la síntesis de unitarios reduciendo exponencialmente el número de puertas CNOT, validando su eficacia tanto en simulaciones como en hardware real.
Este artículo propone un modelo estadístico general para comparaciones por pares que elimina la suposición de transitividad estocástica, utilizando una matriz antisimétrica de baja dimensión para lograr un rendimiento predictivo superior y óptimo en escenarios complejos con datos dispersos.
El artículo presenta PoLAr-MAE, un modelo de aprendizaje auto-supervisado basado en la predicción de energía de puntos enmascarados que logra una eficiencia de datos excepcional al entrenarse con solo 100 eventos etiquetados para obtener un rendimiento de segmentación semántica comparable al de los métodos supervisados entrenados con más de 100.000 eventos en imágenes de cámaras de proyección temporal de argón líquido (LArTPC).
Este estudio propone un enfoque de aprendizaje automático basado en grafos para predecir los retrasos de vuelos causados por maniobras de espera, demostrando que un modelo CatBoost enriquecido con características de red supera a las Redes de Atención Gráfica (GAT) en este conjunto de datos desequilibrado y ofrece una herramienta web para simulaciones operativas en tiempo real.
Este trabajo propone un algoritmo de aprendizaje por refuerzo en línea basado en el optimismo para contextos de banda contextual y RL regularizados por KL, demostrando teóricamente que explora el paisaje de optimización benigno de la regularización para lograr un límite de arrepentimiento logarítmico, superando así las limitaciones de análisis previos que dependían de supuestos de cobertura fuertes o se reducían al escenario de RL tradicional.
El artículo presenta DIFU-Ada, un marco de adaptación en tiempo de inferencia sin entrenamiento que permite a los solucionadores de optimización combinatoria basados en difusión lograr una generalización cero-shot entre diferentes problemas y escalas, demostrando que un modelo entrenado exclusivamente en el Problema del Viajante (TSP) puede resolver eficazmente variantes como el TSP de Recolección de Premios y el Problema de Orientación.
Este artículo demuestra que el espacio latente de CLIP tiene limitaciones geométricas fundamentales que impiden representar simultáneamente descripciones básicas, atributos, relaciones espaciales y negación, y propone los Mapas de Similitud Coseno Densa (DCSM) como una solución interpretable que supera estas restricciones y mejora el rendimiento en múltiples benchmarks.
El estudio demuestra que cuatro modelos recientes de supresión de ruido profundo pueden ser engañados mediante ruido adversario psicoacústicamente oculto para generar salida ininteligible, revelando vulnerabilidades críticas que requieren contramedidas antes de su uso en aplicaciones de seguridad.
Este artículo propone un algoritmo de aprendizaje en línea basado en el problema de los bandidos multi-brazo contextual para optimizar las ofertas de productores eólicos con capacidad de influir en el precio, superando las limitaciones computacionales y de modelado de los enfoques de precio-maker tradicionales mediante su validación en los mercados eléctricos alemanes.
Este estudio propone un algoritmo que ajusta la clasificación de máquinas de vectores de soporte (SVM) en espacios no euclidianos incorporando la covarianza de los datos mediante descomposición de Cholesky, demostrando que este enfoque supera el rendimiento de los métodos SVM tradicionales al reconocer que las condiciones de optimalidad de KKT y el principio de margen máximo son subóptimos fuera de los espacios euclidianos.
Este artículo propone un nuevo enfoque de fusión de imágenes de pocos ejemplos que introduce el concepto de "priors incompletos" y un algoritmo de cálculo de píxeles de bolas granulares (GBPC) para permitir que una red neuronal ligera aprenda reglas de fusión adaptativas y generalizables sin necesidad de imágenes fusionadas reales como supervisión.
Este artículo propone dos algoritmos basados en datos para estimar políticas óptimas de precios e inventario en un entorno secuencial con demanda censurada y dependiente, abordando los desafíos de la pérdida de información y la no estacionariedad mediante aproximaciones de procesos de decisión de Markov de alto orden y análisis de supervivencia.
Este artículo propone un marco de control basado en la coincidencia de puntuación de difusión para sistemas no lineales, que utiliza un proceso de difusión hacia adelante seguido de una ley de retroalimentación determinista de "desruido" para guiar la densidad de probabilidad del sistema hacia una distribución objetivo, ofreciendo una alternativa tratable al control no lineal con garantías teóricas para sistemas sin deriva y lineales invariantes en el tiempo.
El artículo presenta SwitchMT, un método innovador que utiliza redes neuronales de espigas con conmutación de tareas adaptativa para mejorar el aprendizaje multitarea escalable de agentes autónomos, mitigando la interferencia entre tareas sin aumentar la complejidad de la red.
El artículo presenta Panda, un modelo de pronóstico preentrenado que, tras ser entrenado exclusivamente en un conjunto de datos sintéticos de sistemas caóticos, demuestra capacidades emergentes como la predicción en cero disparos de sistemas no vistos, la generalización de ecuaciones diferenciales ordinarias a parciales y el rendimiento efectivo en series temporales experimentales del mundo real.
Este estudio presenta una encuesta basada en datos que analiza el crecimiento y las tendencias de la investigación sobre las limitaciones de los modelos de lenguaje grandes (LLLMs) entre 2022 y 2025, identificando mediante un enfoque semiautomático que el razonamiento es la limitación más estudiada y que el volumen de publicaciones sobre este tema ha aumentado significativamente, especialmente en arXiv.
Este artículo propone un marco de razonamiento abductivo basado en la consistencia que integra las predicciones de múltiples modelos preentrenados mediante reglas lógicas para mitigar la degradación del rendimiento en entornos novedosos, logrando mejoras significativas en precisión y recall frente a enfoques individuales y de conjunto estándar.
El artículo presenta CARTGen-IR, un método de muestreo sintético basado en árboles de decisión que aborda la regresión con datos desequilibrados mediante una generación de muestras guiada por relevancia y densidad sin necesidad de umbrales, ofreciendo una alternativa rápida, interpretable y competitiva frente a técnicas existentes.