6079 artículos
El artículo presenta HOC-L, un marco dinámico unificado de dos escalas temporales que combina la geometría hiperbólica dispersa y la sincronización oscilatoria para lograr una plasticidad estructural guiada por la coherencia de fase, garantizando la convergencia teórica y una complejidad computacional eficiente.
El artículo presenta Auralink SDC, una arquitectura que despliega agentes de IA especializados en el borde para gestionar infraestructura de carga de vehículos eléctricos, logrando una resolución autónoma del 78% de incidentes y una latencia de respuesta de menos de 50 ms mediante técnicas como la resolución autónoma calibrada por confianza y la orquestación jerárquica de múltiples agentes.
Este artículo presenta un marco de compresión para la Computación de Reservorio que utiliza un mecanismo de poda basado en sensibilidad para optimizar el equilibrio entre precisión, eficiencia de hardware y recursos en implementaciones de FPGA mediante la poda y cuantización de pesos.
El documento presenta la familia AetherFloat, una arquitectura de punto flotante cuaternaria y sin escalado por bloques diseñada para aceleradores de IA que elimina la lógica de escalado dinámica, reduce significativamente el área y el consumo energético, y mejora el rendimiento mediante un manto explícito y un redondeo estocástico compartido.
Este trabajo presenta un marco de redes neuronales informadas por física (PINN) que logra una estimación robusta de parámetros biofísicos y la reconstrucción de estados ocultos en modelos neuronales multiescala, superando las limitaciones de los métodos tradicionales al requerir solo observaciones parciales de voltaje y funcionar eficazmente incluso con estimaciones iniciales no informativas.
Este trabajo presenta el modelo VI 2D SSM, una arquitectura de espacio de estados bidimensional que garantiza la equivarianza a la permutación en series temporales multivariantes mediante una descomposición teórica en dinámicas locales e interacciones globales, eliminando dependencias secuenciales innecesarias y logrando un rendimiento superior en diversas tareas de predicción y clasificación.
El documento presenta HCAPO, un marco innovador que integra la asignación de crédito retrospectiva mediante el propio LLM como crítico *post-hoc* para superar las limitaciones de los métodos sin valor en tareas de largo alcance, logrando mejoras significativas en benchmarks como WebShop y ALFWorld en comparación con GRPO.
El artículo presenta una reducción generalizada que transforma funciones invariantes en espacios de producto bajo acciones de grupos transitivos en invariantes de un subgrupo de isotropía, permitiendo así extender los campos neuronales equivariantes a configuraciones geométricas heterogéneas sin restricciones estructurales.
Este artículo demuestra que no es posible diseñar un procedimiento de verificación de alineación que sea simultáneamente sonoro, general y tratable, estableciendo un trilema fundamental que define los límites teóricos de la certificación formal de la seguridad en la IA.
El artículo presenta SPREAD, un marco de aprendizaje por imitación vitalicio que utiliza descomposición en valores singulares para preservar la geometría de las representaciones de tareas en subespacios de bajo rango, logrando así una transferencia de conocimiento estable y un rendimiento superior al estado del arte en el benchmark LIBERO.
El artículo presenta Midicoth, un sistema de compresión sin pérdida que mejora la estimación de probabilidades en modelos adaptativos mediante una capa de denoising de micro-difusión basada en un árbol binario que corrige las distorsiones causadas por el suavizado de priores en contextos escasos.
Este trabajo propone un marco de aprendizaje por refuerzo meta-multinivel que combina la compresión eficiente de procesos de decisión de Markov mediante jerarquías de habilidades con un aprendizaje curricular, logrando así reducir la complejidad de la búsqueda de políticas, facilitar la transferencia de habilidades entre tareas y niveles, y garantizar la consistencia teórica bajo suposiciones moderadas.
Este artículo introduce el Campo de Transición Markoviano Temporal (TMTF), una extensión del método MTF que divide la serie temporal en segmentos contiguos para estimar matrices de transición locales, preservando así la información sobre cuándo ocurren los cambios de régimen y evitando el promediado engañoso de dinámicas no estacionarias.
Este trabajo presenta SoftJAX y SoftTorch, bibliotecas de código abierto que unifican y facilitan el acceso a relajaciones suaves diferenciables para operaciones "duras" en JAX y PyTorch, permitiendo el uso de gradientes informativos en optimizaciones basadas en gradientes.
El artículo presenta GenGNN, un marco modular de paso de mensajes que demuestra que los codificadores expresivos como los transformadores no son estrictamente necesarios para la generación de grafos discretos, ya que permite lograr una validez superior al 90% en conjuntos de datos complejos y un 99,49% en generación molecular con una velocidad de inferencia 2 a 5 veces mayor que las arquitecturas existentes.
El artículo presenta MASEval, un marco de evaluación agnóstico que demuestra que las decisiones de implementación del sistema (como la topología y la lógica de orquestación) impactan el rendimiento tanto como la elección del modelo, permitiendo así una comparación sistemática de componentes completos de sistemas multiagente.
Este artículo demuestra teórica y empíricamente que los modelos híbridos que combinan Transformers y modelos de espacio de estados superan a sus contrapartes no híbridas en tareas sintéticas y de aprendizaje, logrando una mayor eficiencia, generalización de longitud y robustez con significativamente menos parámetros.
El artículo presenta \textsc{applv}, un enfoque que utiliza modelos de visión-lenguaje-acción para predecir dinámicamente los parámetros de planificadores clásicos, logrando así una navegación robótica más segura, precisa y generalizable en entornos altamente restringidos que los métodos existentes.
Este estudio demuestra que los modelos centrados en el canal, como los simuladores de trazado de rayos, sobreestiman sistemáticamente el rendimiento de extremo a extremo en redes 5G privadas al ignorar la adaptación dinámica de las capas espaciales MIMO, mientras que un enfoque basado en datos mediante regresión de procesos gaussianos logra una predicción mucho más precisa al aprender directamente del rendimiento real del sistema.
Este artículo presenta FSbuHD, un nuevo modelo de selección de características para sistemas de información híbridos basado en la teoría de conjuntos difusos-rough que reformula el problema como una optimización utilizando distancias combinadas para superar las limitaciones de tiempo y ruido de los métodos tradicionales, demostrando su superioridad en modos normal y optimista mediante pruebas en conjuntos de datos UCI.