7279 artículos
Este artículo presenta DejaVu, un ataque que explota la sincronización temporal en sistemas de fusión multimodal para vehículos autónomos, demostrando que retrasos sutiles en las señales de LiDAR o cámaras pueden degradar drásticamente la detección y el seguimiento de objetos, provocando fallos críticos como colisiones o frenadas fantasma.
Este trabajo presenta un marco innovador de aprendizaje curricular automático basado en un sistema estudiante-profesor con RL multiagente, donde un "profesor" adaptativo genera comportamientos de tráfico diversos y de dificultad progresiva para entrenar a un "estudiante" de conducción autónoma, logrando así una política de conducción más robusta, segura y equilibrada que los métodos tradicionales basados en reglas.
El artículo presenta el Operador de Espacio de Estados (SS-NO), una arquitectura compacta y eficiente que combina modelos de espacio de estados estructurados con mecanismos de amortiguamiento adaptativo y modulación de frecuencia para lograr un rendimiento superior en la resolución de ecuaciones diferenciales parciales dependientes del tiempo con menos parámetros que los enfoques existentes.
Este artículo presenta los Campos de Expertos Multivariados, un nuevo marco de aprendizaje de priores de imágenes que generaliza métodos existentes mediante funciones potenciales multivariadas, logrando un rendimiento superior a los modelos univariados y comparable al de las redes neuronales profundas en diversas tareas de reconstrucción, pero con mayor velocidad, menor complejidad paramétrica y garantías teóricas de convergencia.
Este artículo establece un marco teórico que caracteriza la convergencia y la precisión estadística del algoritmo de Esperanza-Maximización en regresiones lineales mixtas sobreespecificadas, demostrando que el equilibrio inicial de los pesos de mezcla determina si la convergencia es lineal o sublineal y si la precisión estadística es de orden u .
Este trabajo propone Kernel VICReg, un nuevo marco de aprendizaje auto-supervisado que traslada el objetivo VICReg a un Espacio de Hilbert de Núcleo Reproductor (RKHS) para capturar dependencias no lineales y mejorar el rendimiento en datos con estructuras complejas o muestras limitadas, superando a los métodos euclidianos tradicionales.
El artículo presenta ScaleZero, un modelo único para la planificación multi-tarea que combina una arquitectura de Mezcla de Expertos (MoE) para resolver conflictos de gradientes y una estrategia de Escalamiento Dinámico de Parámetros (DPS) para optimizar la capacidad del modelo, logrando un rendimiento comparable al de agentes especializados con una menor cantidad de interacciones con el entorno.
El artículo demuestra que los conjuntos de redes neuronales profundas permiten la estimación precisa de parámetros cuánticos con cuantificación de incertidumbre y detección de deriva en datos experimentales, ofreciendo tiempos de inferencia mucho más rápidos que los métodos bayesianos tradicionales.
Este artículo presenta un nuevo enfoque de alineación de seguridad llamado "Answer-Then-Check", respaldado por el conjunto de datos ReSA, que entrena a los modelos de lenguaje para razonar y evaluar críticamente la seguridad de sus respuestas antes de generarlas, logrando así una mayor robustez ante ataques de jailbreak sin comprometer sus capacidades generales ni aumentar las rechazos innecesarios.
VEGA es un sistema de navegación para vehículos eléctricos que combina un operador neuronal informado por física para estimar parámetros del vehículo y una optimización de política proximal para planificar rutas y paradas de carga, logrando una planificación eficiente y rápida que generaliza a diferentes redes viales internacionales.
Este artículo presenta la Expansión Atómica de Tensores (TACE), un modelo de aprendizaje automático que unifica la representación escalar y tensorial en el espacio cartesiano mediante tensores cartesianos irreducibles, eliminando la complejidad de los acoplamientos de momento angular y permitiendo el aprendizaje eficiente y universal de propiedades invariantes y equivariantes en diversos sistemas atómicos.
El artículo propone C²Prompt, un nuevo método para el aprendizaje continuo federado que mejora el rendimiento al abordar la coherencia del conocimiento a nivel de clase mediante un mecanismo de compensación de distribución local y un esquema de agregación de prompts consciente de la clase, logrando así resultados de vanguardia en múltiples benchmarks.
Este artículo presenta un enfoque de aprendizaje profundo basado en una arquitectura dual de U-Net auto-regresiva y redes neuronales convolucionales que predice de manera eficiente la evolución del daño por contracción en el hormigón y sus propiedades mecánicas, permitiendo optimizar los diseños de mezcla para mejorar la durabilidad.
Este artículo presenta el GPHDM, un enfoque novedoso que genera movimientos robóticos físicamente consistentes y estructuralmente coherentes aprendiendo representaciones latentes en variedades hiperbólicas que preservan tanto la jerarquía taxonómica como la dinámica temporal de los gestos humanos.
Este artículo presenta el método de Aprendizaje de Trayectorias Consciente del Planificador (PAPL), que resuelve la discrepancia entre el entrenamiento y la inferencia en modelos de difusión de lenguaje mediante la derivación de una nueva cota inferior de verosimilitud (P-ELBO) que integra dinámicas de planificación, logrando mejoras significativas en la generación de proteínas, texto y código.
El artículo presenta DAV, un marco que formula la alineación de modelos de difusión como un proceso variacional de Expectación-Máxima para optimizar recompensas y preservar la diversidad mediante la alternancia entre la generación de muestras en tiempo de prueba y el refinamiento del modelo.
Este artículo propone un algoritmo de dos etapas basado en bandas de matrices de bajo rango para minimizar la polarización y el desacuerdo en el modelo de dinámica de opiniones de Friedkin-Johnsen en un entorno en línea donde las opiniones innatas son desconocidas, logrando un arrepentimiento acumulado sublineal y superando significativamente a las líneas base existentes.
El artículo presenta las "Self-Speculative Masked Diffusions", un nuevo modelo de difusión enmascarada para datos discretos que reduce a la mitad las evaluaciones de red neuronal necesarias para generar muestras de alta calidad en tareas como modelado de texto y secuencias de proteínas, mediante la implementación de un mecanismo de muestreo especulativo integrado que permite predicciones no factorizadas en una sola pasada.
El artículo presenta TCR-EML, un modelo de aprendizaje profundo con capas explicables por diseño que integra mecanismos bioquímicos conocidos para predecir con alta precisión y ofrecer interpretaciones claras la unión entre receptores de células T y complejos péptido-MHC.
Este artículo demuestra que, aunque los modelos de lenguaje decodificador-only son inferiores a los codificador-only para la adaptación a ecuaciones diferenciales parciales, se puede cerrar esta brecha de rendimiento mediante dos nuevas técnicas que imitan la bidireccionalidad: "Parallel Flipping" y "Sequence Doubling".