7279 artículos
Este artículo presenta los Entornos de Monitoreo Sintético (SMEs), una suite infinita de tareas de control continuo con políticas óptimas conocidas que permiten diagnósticos precisos y evaluaciones rigurosas de algoritmos de Aprendizaje por Refuerzo, transformando la evaluación empírica en un análisis científico estandarizado.
Este artículo propone el modelo BAEN-SVM, que utiliza una nueva función de pérdida elástica asimétrica acotada para lograr una clasificación binaria robusta frente al ruido y con propiedades geométricas y teóricas mejoradas, resolviendo su optimización no convexa mediante un algoritmo eficiente.
Este artículo presenta DeCoST, un enfoque de aprendizaje basado en dos etapas que desacopla las variables discretas y continuas del problema de orientación con ventanas de tiempo y beneficios variables, logrando una calidad de solución superior y una aceleración de inferencia de hasta 6,6 veces en comparación con los métodos existentes.
El estudio demuestra que los pipelines de razonamiento con recuperación aumentada por agentes mejoran la robustez y el consenso entre diversos modelos de lenguaje en preguntas de radiología, aunque advierte que la precisión y el acuerdo por sí solos no son suficientes para evaluar la fiabilidad clínica de estos sistemas.
Este artículo presenta una implementación neuronal del mapa cognitivo difuso (FHM) que utiliza dinámicas de Langevin para aprender patrones de causalidad, resolver inversamente los valores de los nodos de salida y generar criterios de modificación, todo ello validado mediante evaluaciones en diversos conjuntos de datos.
El artículo presenta Stem, un módulo de dispersión plug-and-play que reorganiza el flujo de información en la atención causal mediante estrategias dependientes de la posición y métricas conscientes de la salida para reducir la complejidad computacional y la latencia en modelos de lenguaje grandes sin sacrificar la precisión.
El artículo presenta GMM-PIELM, un marco probabilístico que mejora la precisión y velocidad de los PIELMs para resolver EDPs rígidas con gradientes agudos, aprendiendo automáticamente una distribución de probabilidad para concentrar las funciones de base radial en regiones de alto error numérico sin necesidad de optimización basada en gradientes.
Este artículo propone un método de eliminación de artefactos en imágenes 3D de CBCT dental mediante modelos de difusión basados en puntuación perpendicular que operan en el dominio de las proyecciones para preservar las correlaciones tridimensionales y mejorar la calidad de la imagen.
Este artículo presenta PolaDCA, un nuevo marco de aprendizaje relacional basado en atención cruzada directa polarizada que supera las limitaciones de las redes neuronales gráficas convencionales mediante la construcción dinámica de grafos y el uso de características nodales semánticamente distintas, logrando así un diagnóstico de fallos en maquinaria rotativa más robusto y preciso en entornos industriales ruidosos.
El artículo propone un pipeline de tres etapas que entrena modelos de lenguaje para generar estimaciones de incertidumbre calibradas e interpretables de manera eficiente mediante el cálculo de entropía, la calibración con escalado de Platt y el ajuste fino con aprendizaje por refuerzo, superando así las limitaciones computacionales y de precisión de los métodos posteriores al entrenamiento.
El artículo presenta SAHOO, un marco práctico que utiliza tres mecanismos de seguridad para monitorear y controlar la deriva de alineación durante la auto-mejora recursiva de sistemas de IA, logrando mejoras significativas en tareas de código y razonamiento sin comprometer la seguridad ni la veracidad.
El estudio presenta AIRT, un marco de aprendizaje profundo de extremo a extremo capaz de generar planes de radioterapia VMAT para próstata en menos de un segundo con una calidad no inferior a los planes estándar, lo que representa un avance significativo hacia la estandarización y aceleración de los flujos de trabajo clínicos.
El artículo presenta MoEless, el primer marco de servicio de modelos de lenguaje grandes tipo Mezcla de Expertos (MoE) basado en computación sin servidor, que utiliza predictores de carga y estrategias de escalado optimizadas para mitigar el desequilibrio de expertos, reduciendo la latencia de inferencia en un 43% y los costos en un 84% en comparación con soluciones existentes.
El artículo presenta el DC-DiT, un modelo de transformador de difusión que mejora la eficiencia y la calidad de la generación de imágenes mediante un mecanismo de fragmentación dinámica que adapta la cantidad de tokens procesados según la complejidad visual de las regiones de la imagen y la etapa del proceso de denoising.
Este trabajo presenta la Frequency-Separable Hamiltonian Neural Network (FS-HNN), un modelo que descompone la función hamiltoniana en modos rápidos y lentos mediante múltiples redes neuronales entrenadas a distintas escalas temporales para superar las limitaciones de los métodos anteriores y mejorar la extrapolación a largo plazo en sistemas dinámicos complejos gobernados por EDOs y EDPs.
Este trabajo presenta un modelo de clasificación basado en la distancia de compresión normalizada que, a pesar de no ser una métrica formal, logra una precisión comparable o superior a los métodos actuales con un bajo costo computacional y pocos datos, permitiendo su ejecución eficiente en dispositivos cliente para preservar la privacidad.
El artículo presenta CLAIRE, un marco de aprendizaje profundo híbrido que combina autoencoders no supervisados y clasificación supervisada para mejorar la detección de fallos en la fabricación inteligente mediante la reducción de dimensionalidad y la interpretabilidad de las características.
Este trabajo presenta ALFCG, el primer marco de gradiente condicional adaptativo y libre de proyecciones para la minimización estocástica no convexa que estima la suavidad local sin requerir constantes globales ni búsqueda de línea, logrando tasas de convergencia óptimas y superando a los métodos actuales en experimentos de clasificación multiclase.
Este artículo extiende la regularización basada en cinética (KBR) para estimar derivadas espaciales con precisión de segundo orden mediante esquemas explícitos e implícitos, demostrando su eficacia en la captura estable de choques en ecuaciones diferenciales parciales hiperbólicas unidimensionales y su potencial para resolver PDEs en nubes de puntos irregulares.
El artículo propone una arquitectura de orquestación "gated" por esquemas que separa la flexibilidad conversacional de la ejecución determinista en flujos de trabajo científicos, validando que esta aproximación resuelve la tensión entre adaptabilidad y reproducibilidad mediante un marco de evaluación basado en múltiples modelos de lenguaje.