8103 artículos
Este artículo presenta un marco de aprendizaje gráfico adaptativo que detecta anomalías financieras mediante la descomposición de mecanismos específicos (como choques de precios o crisis de liquidez) y la asignación de pesos interpretables para identificar las causas subyacentes, logrando una detección temprana superior y una guía accionable para la gestión de riesgos.
Este trabajo propone un marco de razonamiento basado en la Optimización de Políticas Relativa a Permutaciones (PRPO) que, al codificar la invariancia a la permutación de columnas como un prior estructural, desbloquea la capacidad de razonamiento numérico de los modelos de lenguaje grandes para la predicción en tablas, logrando un rendimiento superior incluso frente a modelos mucho más grandes en escenarios de cero disparos.
El artículo presenta RobLight, una herramienta que mejora el estado del arte en la verificación de robustez estructural de las redes neuronales de grafos al sustituir los potentes solucionadores de programación entera mixta por llamadas a solucionadores parciales eficientes que operan en tiempo polinomial.
Este trabajo presenta un marco unificado y formal para el aprendizaje por refuerzo de cero disparos (zero-shot RL) que organiza el panorama algorítmico mediante una taxonomía basada en representaciones y paradigmas de aprendizaje, y descompone los límites de error en componentes de inferencia, recompensa y aproximación para facilitar comparaciones rigurosas entre métodos.
El artículo presenta SwiftTS, un marco de selección ágil para modelos preentrenados de series temporales que utiliza un aprendizaje guiado con meta-aprendizaje multi-tarea y una arquitectura de doble codificador para predecir el rendimiento de los modelos en conjuntos de datos no vistos sin necesidad de un ajuste fino costoso.
Este artículo presenta los "priors de Mercer", una nueva clase de distribuciones a priori para redes neuronales bayesianas que se derivan de la representación de Mercer de kernels de procesos gaussianos, permitiendo así combinar la escalabilidad de las redes neuronales con la interpretabilidad y la cuantificación de incertidumbre de los procesos gaussianos.
El artículo presenta PESO, un método de adaptación continua para sistemas de recomendación generativa basados en LLM que utiliza un regularizador proximal en LoRA para equilibrar eficazmente la adaptación a nuevos comportamientos de los usuarios y la preservación de conocimientos relevantes, superando así a los métodos existentes.
Este estudio compara un enfoque de razonamiento fuzzy interpretable (ANFIS-FBCSP-PSO) con un modelo de aprendizaje profundo (EEGNet) para la clasificación de EEG de imaginación motora, revelando que el primero ofrece un mejor rendimiento dentro del sujeto mientras que el segundo demuestra una mayor generalización entre sujetos, proporcionando así directrices prácticas para seleccionar sistemas BCI según si se prioriza la interpretabilidad o la robustez.
Este trabajo propone el sistema de Mezcla de Expertos en Red (NMoE) y un marco de aprendizaje federado que combina aprendizaje supervisado y auto-supervisado para permitir la inferencia colaborativa y el entrenamiento eficiente de modelos de inteligencia artificial en dispositivos de borde con recursos limitados, preservando la privacidad y optimizando las comunicaciones.
El artículo presenta FATE, una nueva serie de benchmarks en álgebra formal que abarca desde ejercicios universitarios hasta problemas de investigación avanzada, revelando que los modelos de lenguaje actuales tienen un rendimiento muy limitado en esta área, especialmente en la formalización de su razonamiento natural.
El artículo presenta a Jr. AI Scientist, un sistema autónomo que imita el flujo de trabajo de un investigador novato para generar contribuciones científicas válidas a partir de artículos base, demostrando su superioridad sobre sistemas automatizados anteriores mientras identifica sus limitaciones actuales y los riesgos asociados para la integridad de la investigación académica.
El artículo propone DR-SPCRL, un método de aprendizaje por refuerzo que supera las limitaciones de los enfoques robustos tradicionales al tratar el presupuesto de robustez como un currículo auto-ritmado que se adapta dinámicamente al progreso del agente, logrando así un equilibrio superior entre rendimiento nominal y robustez frente a perturbaciones.
Este artículo presenta un marco de aprendizaje contrastivo en grafos libre de aumentos que utiliza redes de difusión neuronal de orden fraccionario para generar automáticamente un espectro continuo de vistas adaptativas mediante el aprendizaje del orden derivativo, superando así a los métodos actuales en la captura de patrones estructurales multiescala.
Este trabajo propone mejorar los Autoencoders Variacionales Condicionales (CVAE) mediante transformaciones no conservadoras de volumen (NVP) para modelar con precisión la distribución latente condicional y tratar la varianza del decodificador como un parámetro aprendible, logrando así generar imágenes de mayor calidad y diversidad que superan a los métodos anteriores.
Este artículo presenta un método de propagación de límites lineales que calcula con precisión la envolvente convexa de los ataques , logrando certificar la robustez de forma más ajustada y escalando significativamente los verificadores de estado del arte en comparación con las aproximaciones existentes.
Este trabajo propone un nuevo método de ataque adversarial para redes hiperbólicas que, al aplicar perturbaciones exclusivamente en la dirección angular del espacio tangente, logra tasas de engaño superiores y revela vulnerabilidades específicas de las representaciones jerárquicas en geometrías no euclidianas.
Este trabajo mejora la certificación de seguridad de SmoothLLM frente a ataques de jailbreaking al reemplazar la estricta suposición de "k-inestabilidad" con un marco probabilístico más realista "(k, )-inestable" que incorpora modelos empíricos de éxito del ataque para ofrecer garantías de defensa más confiables y prácticas.
Este artículo presenta un pipeline automatizado para generar a gran escala ataques de jailbreak multi-turno basados en el principio psicológico "Pie en la Puerta", revelando que la historia conversacional aumenta drásticamente la vulnerabilidad de los modelos de la familia GPT, mientras que Gemini 2.5 Flash demuestra una resistencia excepcional.
Este artículo propone un método de regularización direccional en el espacio latente que mitiga el aprendizaje de atajos y mejora la generalización fuera de distribución al identificar ejes correlacionados con etiquetas y reducir la sensibilidad del clasificador hacia ellos mediante la inyección de ruido anisotrópico, sin requerir etiquetas de atajos ni ejemplos conflictivos.
Este artículo demuestra que la participación de la comunidad de ciencia de datos a través de una competencia de Kaggle para desarrollar parametrizaciones de aprendizaje automático ha permitido lograr estabilidad en línea en simulaciones climáticas híbridas, superando obstáculos históricos y alcanzando resultados de vanguardia.