6785 artículos
Este trabajo propone mejorar los Autoencoders Variacionales Condicionales (CVAE) mediante transformaciones no conservadoras de volumen (NVP) para modelar con precisión la distribución latente condicional y tratar la varianza del decodificador como un parámetro aprendible, logrando así generar imágenes de mayor calidad y diversidad que superan a los métodos anteriores.
Este artículo presenta un método de propagación de límites lineales que calcula con precisión la envolvente convexa de los ataques , logrando certificar la robustez de forma más ajustada y escalando significativamente los verificadores de estado del arte en comparación con las aproximaciones existentes.
Este trabajo propone un nuevo método de ataque adversarial para redes hiperbólicas que, al aplicar perturbaciones exclusivamente en la dirección angular del espacio tangente, logra tasas de engaño superiores y revela vulnerabilidades específicas de las representaciones jerárquicas en geometrías no euclidianas.
Este trabajo mejora la certificación de seguridad de SmoothLLM frente a ataques de jailbreaking al reemplazar la estricta suposición de "k-inestabilidad" con un marco probabilístico más realista "(k, )-inestable" que incorpora modelos empíricos de éxito del ataque para ofrecer garantías de defensa más confiables y prácticas.
Este artículo presenta un pipeline automatizado para generar a gran escala ataques de jailbreak multi-turno basados en el principio psicológico "Pie en la Puerta", revelando que la historia conversacional aumenta drásticamente la vulnerabilidad de los modelos de la familia GPT, mientras que Gemini 2.5 Flash demuestra una resistencia excepcional.
Este artículo propone un método de regularización direccional en el espacio latente que mitiga el aprendizaje de atajos y mejora la generalización fuera de distribución al identificar ejes correlacionados con etiquetas y reducir la sensibilidad del clasificador hacia ellos mediante la inyección de ruido anisotrópico, sin requerir etiquetas de atajos ni ejemplos conflictivos.
Este artículo demuestra que la participación de la comunidad de ciencia de datos a través de una competencia de Kaggle para desarrollar parametrizaciones de aprendizaje automático ha permitido lograr estabilidad en línea en simulaciones climáticas híbridas, superando obstáculos históricos y alcanzando resultados de vanguardia.
El artículo presenta CRAwDAD, un marco de debate entre dos agentes que mejora significativamente la precisión de los modelos de razonamiento en inferencia causal al simular un diálogo crítico entre hipótesis alternativas, logrando aumentos notables en la exactitud tanto en preguntas contrafactuales como generales.
Este estudio presenta ForamDeepSlice, un marco de aprendizaje profundo basado en un ensemble de redes neuronales convolucionales que logra una precisión del 95,64% en la clasificación automática de especies de foraminíferos a partir de rebanadas 2D de micro-TC, ofreciendo además una herramienta interactiva para su despliegue práctico en geociencias.
El artículo presenta AltNet, un enfoque basado en redes gemelas que resuelve el dilema de plasticidad-estabilidad en el aprendizaje por refuerzo al permitir la restauración periódica de la plasticidad mediante el intercambio de roles entre dos redes, logrando así una mayor eficiencia y rendimiento sin sufrir caídas temporales en el desempeño.
El artículo presenta MSPT, un transformador de parches multi-escala que utiliza árboles de bolas para dividir dominios irregulares en parches, permitiendo modelar física a gran escala con millones de puntos en una sola GPU mediante una atención local y global eficiente que supera el estado del arte en precisión y eficiencia computacional.
El artículo propone un marco de "Suavizado Aleatorio Dual" que supera las limitaciones de la varianza de ruido global al utilizar un estimador de varianza dependiente de la entrada para lograr un rendimiento robusto superior tanto en radios pequeños como grandes, superando a los métodos anteriores en CIFAR-10 e ImageNet.
Este artículo presenta DROCO, un algoritmo de aprendizaje por refuerzo offline cruzado que garantiza la robustez tanto en entrenamiento como en prueba frente a cambios en la dinámica mediante un nuevo operador de Bellman robusto, penalización de valor dinámica y pérdida de Huber.
El artículo presenta GoRL, un marco de aprendizaje por refuerzo en línea que resuelve la tensión entre la estabilidad de la optimización y la expresividad de las políticas mediante la decouplaje de la optimización en un espacio latente tratable y la síntesis de acciones en un espacio generativo, logrando un rendimiento superior en tareas de control continuo.
Este artículo presenta la Regresión Isotónica Shapley Escasa (SISR), un marco unificado de explicación no lineal que aprende simultáneamente una transformación monótona para restaurar la aditividad y aplica una restricción de escasez L0 para identificar características relevantes de manera eficiente, superando así las limitaciones de distorsión y costo computacional de los valores Shapley estándar en escenarios de alta dimensionalidad y dependencias complejas.
Este trabajo propone un marco de aumento de datos generativo de dos pasos que combina deformación de máscaras basada en reglas y traducción de imágenes mediante GANs para generar muestras de rostros con mascarilla, logrando mejoras consistentes con una fracción mínima de los datos de entrenamiento utilizados por métodos anteriores, a pesar de haber sido desarrollado bajo severas restricciones de recursos y tiempo.
El artículo presenta SALVE, un marco unificado que combina autoencoders dispersos y mapeo de saliencia para descubrir, validar y controlar de manera interpretable y permanente el comportamiento de redes neuronales mediante la edición de vectores latentes.
El artículo presenta LaMer, un marco de Meta-RL que permite a los agentes de lenguaje aprender y explorar activamente en tiempo de prueba mediante un entrenamiento cruzado de episodios y la adaptación de políticas en contexto, logrando mejoras significativas en el rendimiento y la generalización frente a métodos de RL tradicionales.
El artículo presenta "Re-Depth Anything", un marco de auto-supervisión en tiempo de prueba que mejora la estimación de profundidad monoculosa al fusionar modelos fundacionales con priores de modelos de difusión 2D a gran escala mediante un refinamiento basado en re-iluminación y muestreo de distorsión de puntuación (SDS), logrando resultados de vanguardia sin necesidad de etiquetas.
Este artículo presenta tres estrategias complementarias para acelerar el entrenamiento de redes Kolmogorov-Arnold (KAN) basadas en el método Newton-Kaczmarz: un procedimiento de preentrenamiento, el entrenamiento en subconjuntos de datos disjuntos con fusión posterior de modelos y una técnica de paralelización implementada y validada en hardware FPGA.