2316 artículos
El artículo presenta EvoSchema, un nuevo benchmark que evalúa y mejora la robustez de los sistemas de texto-a-SQL frente a la evolución de esquemas de bases de datos mediante una taxonomía de perturbaciones que revela el impacto crítico de los cambios a nivel de tabla y demuestra que el entrenamiento con datos perturbados genera modelos más resilientes.
El artículo presenta Riemannian MeanFlow (RMF), un método que extiende MeanFlow a variedades riemannianas mediante un campo de velocidades promedio y transporte paralelo para permitir la generación en un solo paso sin necesidad de integrar ecuaciones diferenciales, logrando así una reducción significativa en el costo de muestreo manteniendo alta calidad.
Este artículo presenta el algoritmo "Sample-and-Search", un método de aprendizaje aumentado para el problema de clustering -medianas en altas dimensiones que, mediante una técnica de muestreo, reduce significativamente la complejidad computacional y la dependencia exponencial de la dimensión en comparación con enfoques existentes.
El sistema CacheSolidarity protege los entornos de inferencia de LLMs multi-tenant contra canales laterales de tiempo derivados de la caché de prefijos, logrando un equilibrio entre seguridad y eficiencia al aislar selectivamente solo los prefijos sospechosos en lugar de desactivar completamente el uso compartido de caché.
Este artículo compara la aproximación bayesiana mediante Dropout de Monte Carlo y el marco de Predicción Conformal para la estimación de incertidumbre en redes neuronales convolucionales, demostrando que, aunque algunos modelos logran mayor precisión, la evaluación de la calibración y la validez estadística es fundamental para desarrollar sistemas de aprendizaje profundo más fiables y seguros.
Este artículo propone una solución estructural a los fallos de filtrado de datos en el aprendizaje automático mediante una gramática basada en un grafo acíclico dirigido con siete primitivas y cuatro restricciones estrictas que, al imponer una frontera de evaluación en tiempo de ejecución, previenen la selección y la memorización de datos de prueba, validando su eficacia mediante múltiples implementaciones y estudios cuantitativos.
El artículo presenta CUPID, un marco de trabajo modular que estima de forma conjunta la incertidumbre aleatoria y epistémica en redes neuronales preentrenadas sin necesidad de reentrenamiento, ofreciendo una solución interpretable y adaptable para la toma de decisiones en entornos de alto riesgo.
El artículo presenta DeepRDFC, un marco de aprendizaje profundo basado en autoencoders que optimiza la simulación de canales distribuidos para la computación de funciones aleatorizadas, logrando un rendimiento superior y una mayor eficiencia en la carga de comunicación en comparación con los métodos tradicionales de compresión de datos.
El artículo presenta un método basado en Funciones Físicas No Clonables (PUF) para vincular los pesos de los modelos de redes neuronales a su hardware subyacente, impidiendo así la ejecución precisa de estos modelos en hardware clonado y protegiendo la propiedad intelectual.
El artículo propone Sign-Prioritized FL (SP-FL), un marco innovador para el aprendizaje federado inalámbrico que mejora la fiabilidad y la precisión de los modelos priorizando la transmisión de los signos de los gradientes mediante una asignación jerárquica de recursos, logrando hasta un 9,96% más de exactitud en escenarios con recursos limitados.
Este trabajo propone un marco de aprendizaje profundo impulsado por la dinámica que combina precursores basados en la inestabilidad transitoria, calculados eficientemente mediante modos OTD, con modelos Transformer para extender significativamente el horizonte de predicción de eventos extremos en sistemas caóticos de alta dimensión sin requerir las ecuaciones gobernantes.
El artículo presenta "Super Neurons", un método de sondeo que utiliza activaciones escalares en las capas superficiales de los modelos de lenguaje visual para lograr clasificadores precisos con una aceleración de hasta 5,10 veces mediante la salida temprana del modelo.
Este artículo presenta un marco de inteligencia artificial que mejora la predicción espacial de la demanda de tráfico celular para la planificación de redes 5G/6G mediante una estrategia de división de datos consciente del contexto y corrección de errores residuales, logrando así una mayor generalización espacial y una reducción del error en comparación con métodos tradicionales.
Este artículo presenta un modelo de red neuronal de atención gráfica jerárquica (HR-GAT) que estima la demanda de espectro a escala espacial fina utilizando registros públicos, logrando una precisión superior a la de métodos existentes y facilitando la gestión y asignación eficiente del espectro para reguladores.
El artículo presenta MCCOP, un marco que utiliza optimización latente guiada por difusión para generar mutaciones mínimas y biológicamente plausibles que modifican las propiedades de las proteínas según lo deseado, ofreciendo así una herramienta interpretable para el diseño y la ingeniería de proteínas.
Este trabajo demuestra que el suavizado aleatorizado es una defensa simple y económica que mejora consistentemente la robustez de los modelos de predicción de trayectorias frente a ataques adversarios sin comprometer su precisión en entornos normales.
El artículo presenta ReTabSyn, un pipeline de síntesis de datos tabulares basado en aprendizaje por refuerzo que, al priorizar la distribución condicional y ofrecer retroalimentación directa sobre la preservación de correlaciones, supera a los métodos actuales en escenarios con datos limitados, desequilibrados o con cambios de distribución, mejorando así la utilidad de los modelos downstream.
El paper presenta EvoKernel, un marco de agentes autoevolutivos que utiliza un enfoque de memoria basado en valores para superar la escasez de datos en la síntesis de kernels para NPUs, logrando mejorar la precisión de los modelos de 11.0% a 83.0% y acelerar el rendimiento mediante un refinamiento continuo.
El artículo presenta , un modelo de valor generalista que fusiona adaptativamente una estimación previa con promedios empíricos de rollouts dispersos mediante pruebas estadísticas en tiempo real, logrando una reducción significativa de la varianza y un rendimiento superior en tareas de razonamiento matemático en comparación con métodos como GRPO y DAPO.
Este artículo presenta 6ABOS, un marco de código abierto basado en Python que automatiza la corrección atmosférica de imágenes hiperespectrales de la misión EnMAP mediante el modelo 6S y la API de Google Earth Engine, demostrando una alta precisión en la recuperación de la reflectancia del agua en embalses mediterráneos.