7103 artículos
Este artículo presenta un marco que combina la selección de subconjuntos submodulares con la estimación de incertidumbre basada en gradientes para mejorar la robustez y fidelidad de las explicaciones visuales bajo cambios de distribución, sin requerir entrenamiento adicional.
Este artículo propone un nuevo método de análisis de sensibilidad global basado en las curvas de Expectación Condicional Individual (ICE) para superar las limitaciones de los Gráficos de Dependencia Parcial (PDP) en la presencia de interacciones fuertes, demostrando mediante pruebas matemáticas y casos de estudio en ingeniería que esta aproximación ofrece una visión más rica y precisa de la importancia de las características en modelos de aprendizaje automático.
Este estudio presenta un nuevo enfoque de análisis de datos topológicos (TDA) basado en parches para imágenes de tomografía computarizada que supera a los métodos tradicionales en precisión y eficiencia computacional, ofreciendo además un paquete de Python para facilitar su implementación.
Este artículo presenta Hyper++, un agente de aprendizaje por refuerzo profundo en geometría hiperbólica que supera los desafíos de optimización mediante regularización de características, una función de pérdida categórica y capas mejoradas, logrando un entrenamiento estable y un rendimiento superior en entornos como ProcGen y Atari-5.
El artículo presenta CARE, un marco de post-entrenamiento centrado en el fracaso para el razonamiento multimodal que transforma errores en señales de supervisión mediante un objetivo de contraste anclado y una re-muestreo guiado por reflexión, logrando mejoras significativas en precisión y suavidad de entrenamiento en comparación con métodos existentes como GRPO.
Este artículo presenta LLMTM, un benchmark integral para evaluar y optimizar el rendimiento de los modelos de lenguaje grandes (LLM) en el análisis de motivos temporales en grafos dinámicos, proponiendo un agente aumentado con herramientas y un distribuidor consciente de la estructura que equilibra la alta precisión con la reducción de costos computacionales.
El artículo presenta MDENeRF, un marco iterativo que refina los mapas de profundidad monoculares mediante la fusión bayesiana de estimaciones globales y detalles geométricos de alta frecuencia derivados de campos de radiación neuronal (NeRF) con incertidumbre, mejorando así la comprensión de escenas en entornos interiores.
Este trabajo propone un marco de reconocimiento de habla audiovisual (AVSR) robusto y sin máscaras que integra un módulo de fusión basado en Conformer para refinar implícitamente las características de audio ruidosas mediante asistencia visual, preservando la integridad semántica y superando a los métodos basados en máscaras en el benchmark LRS3.
Este trabajo propone un enfoque de adaptación de dominio no supervisada que genera representaciones invariantes al dominio mediante la inmersión espectral de planes de transporte óptico suavizados, interpretados como matrices de adyacencia de grafos bipartitos, logrando un alto rendimiento en tareas de reconocimiento de género musical, discriminación de voz-música y detección de defectos en cables eléctricos.
Este artículo presenta un método para implementar redes neuronales ópticas utilizando exclusivamente recursos lineales y estados coherentes de luz, donde la no linealidad necesaria para el aprendizaje se logra mediante codificación de fase, lo que permite un entrenamiento y una inferencia *in situ* más sencillos y demuestra una notable resiliencia ante la pérdida de fotones.
Este artículo presenta CELM, el primer modelo fundacional de EEG a lenguaje que genera informes clínicos automatizados a partir de grabaciones de EEG de larga duración, logrando mejoras significativas en métricas de generación al integrar modelos de EEG preentrenados con modelos de lenguaje.
Este trabajo presenta y demuestra experimentalmente una red neuronal fotónica profunda que logra un aprendizaje no supervisado en línea mediante un mecanismo de retroalimentación local totalmente óptico y sinapsis de materiales de cambio de fase, logrando un reconocimiento de letras perfecto sin conversiones eléctricas intermedias.
El artículo presenta ZK-HybridFL, un marco de aprendizaje federado descentralizado que integra un libro mayor de grafos acíclicos dirigidos, pruebas de conocimiento cero y cadenas laterales para garantizar la privacidad, la validación segura de actualizaciones de modelos y la robustez ante ataques adversarios, superando en rendimiento y eficiencia a enfoques existentes.
El artículo presenta EDIS, una métrica que diagnostica y mejora el razonamiento de los modelos de lenguaje analizando la evolución temporal de la entropía durante la generación, identificando patrones de inestabilidad característicos de los errores que las medidas estáticas tradicionales pasan por alto.
Este artículo presenta la Decodificación de Exploración Latente (LED), una estrategia de decodificación que aprovecha la asimetría de entropía entre las capas intermedias y finales de los Modelos de Razonamiento a Gran Escala (LRM) para recuperar la exploración perdida tras el entrenamiento por refuerzo y mejorar el rendimiento en tareas de razonamiento sin necesidad de reentrenamiento.
Este artículo presenta una tubería automatizada de "red team" que demuestra que los métodos actuales de auditoría de alineación, tanto de caja negra como de caja blanca, pueden ser engañados mediante estrategias de ocultamiento de objetivos generadas a nivel de prompt, revelando así una vulnerabilidad crítica ante modelos mal alineados y situacionalmente conscientes.
El artículo presenta LaPha, un método que entrena agentes de IA similares a AlphaZero en un espacio latente hiperbólico de Poincaré para mejorar la búsqueda y la precisión en tareas matemáticas complejas mediante recompensas de proceso densas y un cabezal de valor compartido.
Este artículo presenta un protocolo de validación basado en perturbaciones para garantizar la fiabilidad de los mapas de saliencia en la predicción de la eficacia del ARNsi, revelando modos de fallo ocultos y proponiendo un regularizador biológico que mejora la confianza en el diseño terapéutico antes de la síntesis.
El artículo presenta a Aletheia, un agente de investigación matemática autónomo que, potenciado por modelos avanzados de razonamiento y herramientas especializadas, demuestra capacidades que van desde la resolución de problemas olímpicos hasta la generación de artículos de investigación y la solución de problemas abiertos, marcando hitos significativos en la colaboración humano-IA en matemáticas.
Este artículo identifica y aborda teórica y experimentalmente el problema del "sumidero diagonal" en la atención temporal, demostrando cómo las puntuaciones de atención se concentran en la diagonal y proponiendo métodos de regularización para mitigar este sesgo en modelos espacio-temporales.