7103 artículos
Este artículo presenta un marco robusto que supera las limitaciones de fase en la detección inalámbrica bistática al recuperar características de canal ideales a partir de relaciones distorsionadas, logrando una precisión sub-longitud de onda casi diez veces superior en experimentos reales con Wi-Fi y LoRa.
Este artículo propone un marco mejorado de proyecciones locales en subespacios aleatorios que, mediante técnicas como la agregación ponderada y el muestreo adaptativo, logra estimaciones de respuestas al impulso más estables y fiables en series temporales de alta dimensión, reduciendo significativamente la variabilidad del estimador y mejorando la inferencia estadística en comparación con los métodos tradicionales.
El artículo presenta BoT, el primer marco unificado y agnóstico al tamaño que trata el escalado bidireccional de modelos (de pequeño a grande y viceversa) como operaciones de procesamiento de señales mediante la Transformada Discreta de Wavelet, logrando ahorros significativos en FLOPs de pre-entrenamiento y rendimiento superior en diversos benchmarks.
Este trabajo presenta OCLADS, un marco de comunicación con aprendizaje continuo que optimiza la detección de anomalías en dispositivos IoT mediante la selección inteligente de muestras y la detección de cambios de distribución en el servidor de borde, logrando alta precisión con menos actualizaciones de modelo en entornos no estacionarios.
Este artículo establece una conexión precisa entre los modelos de deriva y los basados en puntuación, demostrando que la deriva con núcleo gaussiano equivale a un objetivo de coincidencia de puntuaciones en distribuciones suavizadas y proporcionando un marco unificado que explica su relación con métodos como DMD y su validez en diversos regímenes.
Este estudio presenta un marco de aprendizaje por refuerzo que optimiza dinámicamente los calendarios de limpieza de paneles fotovoltaicos en regiones áridas, logrando hasta un 13% de ahorro de costos en Abu Dhabi al superar a los métodos tradicionales mediante la adaptación autónoma a condiciones ambientales inciertas.
Este artículo propone un marco de predicción conforme que preserva la privacidad utilizando todos los datos sin necesidad de división, aprovechando la estabilidad de la privacidad diferencial para controlar la brecha entre puntuaciones internas y externas, lo que permite obtener conjuntos de predicción más precisos que los métodos basados en división.
El artículo presenta FRONT, un marco novedoso que extrae el "learngene" (conocimiento fundamental) de modelos preentrenados mediante componentes de baja frecuencia en el dominio de la transformada discreta del coseno (DCT), permitiendo inicializar modelos de cualquier escala de forma libre de entrenamiento y logrando un rendimiento superior con una aceleración significativa en la convergencia y una reducción en los costos computacionales.
Este artículo presenta un marco preentrenado informado por dinámicas neuronales que supera a los métodos dominantes al construir redes funcionales cerebrales personalizadas y generalizables en escenarios heterogéneos, logrando una representación precisa de los patrones de actividad neural sin depender de atlas predefinidos o suposiciones lineales.
Este artículo propone un modelo sustituto basado en aprendizaje automático que combina autoencoders convolucionales y ecuaciones diferenciales neuronales para predecir de manera rápida y eficiente la ignición de cohetes inducida por láser, reduciendo drásticamente los costos computacionales de las simulaciones físicas tradicionales y facilitando la exploración de parámetros y la cuantificación de incertidumbres.
El artículo presenta a Obliviator, un método de borrado de conceptos que supera las limitaciones de los enfoques anteriores al capturar dependencias estadísticas no lineales mediante un proceso iterativo, logrando así una mayor protección contra adversarios no lineales y preservando mejor la utilidad de las representaciones mientras cuantifica el costo de esta protección.
El artículo presenta DreamSAC, un marco que combina una estrategia de exploración basada en simetrías con un modelo de mundo hamiltoniano para aprender invariancias físicas y lograr una generalización extrapolativa superior en simulaciones físicas 3D.
El artículo presenta COOL-MC, una herramienta que verifica y explica políticas de aprendizaje por refuerzo para el mantenimiento de redes de múltiples puentes, demostrando mediante verificación de modelos probabilísticos y análisis de explicabilidad que, aunque la política aprendida presenta una probabilidad de violación de seguridad del 3,5% y un sesgo sistemático hacia un puente específico, el marco permite un análisis formal e interpretable de dichas estrategias.
Este artículo demuestra que un enfoque centrado en los datos, que combina un preprocesamiento cuidadoso y un modelo simplificado de CNN-VAE, logra un rendimiento competitivo en la clasificación de ECG del conjunto de datos PTB-XL con una complejidad de modelo significativamente reducida.
El paper propone GRD-Net, una arquitectura que combina una red generativa adversarial con un módulo de atención a regiones de interés para detectar y localizar anomalías en inspecciones visuales industriales, aprendiendo tanto de productos defectuosos sintéticos como de datos reales sin depender de algoritmos de post-procesamiento sesgados.
Este artículo demuestra que, bajo condiciones realistas que incluyen técnicas de entrenamiento anti-sobreajuste, umbrales calibrados en modelos sombra y priores de membresía desequilibrados, la efectividad del ataque de inferencia de membresía LiRA disminuye significativamente en comparación con evaluaciones anteriores, lo que subraya la necesidad de protocolos de auditoría de privacidad más rigurosos y reproducibles.
Este trabajo presenta un nuevo solucionador neuronal generativo basado en difusión de matrices de restricciones que supera las limitaciones de robustez y generalización de los métodos autoregresivos existentes, logrando un rendimiento de vanguardia en problemas de enrutamiento de vehículos mediante la integración adaptativa de una matriz de asignación de restricciones en el proceso de decisión.
Este artículo presenta una comparación sistemática de cuatro objetivos de entrenamiento para la detección de distribuciones fuera de contexto en clasificación de imágenes, revelando que la Pérdida de Entropía Cruzada ofrece el rendimiento más consistente tanto en distribuciones cercanas como lejanas en comparación con las pérdidas de prototipo, tripletas y precisión promedio.
El artículo presenta TS-MLLM, un marco unificado de modelo de lenguaje grande multimodal que integra señales temporales, representaciones visuales de frecuencia y conocimiento textual mediante mecanismos de adaptación y fusión de atención para mejorar significativamente el análisis y la predicción de datos de series temporales industriales.
Este artículo presenta un marco de detección de anomalías semisupervisado basado en una arquitectura generativa adversarial con autoencoder residual, diseñado para inspección visual en línea de producción farmacéutica de alta velocidad que logra un alto rendimiento de detección y localización espacial dentro de las estrictas restricciones de tiempo y hardware.