8581 artículos
El artículo presenta RECAP, una estrategia de aprendizaje bioinspirada que combina dinámicas de reservorio no entrenadas con un mecanismo de lectura de prototipos hebbianos autoorganizado para lograr una clasificación robusta de imágenes sin necesidad de retropropagación de errores.
Este artículo revela que el desprendimiento basado en poda en modelos de difusión es vulnerable a la revivificación de conceptos eliminados mediante un ataque de canal lateral que explota las ubicaciones de los pesos podados, demostrando que este método no es inherentemente seguro y proponiendo estrategias de defensa para ocultar dichas ubicaciones.
El artículo presenta SR-TTT, un enfoque que mejora los modelos de entrenamiento en tiempo de prueba (TTT) al integrar un mecanismo de memoria residual esparsa y controlada por la pérdida para almacenar tokens altamente sorprendentes, resolviendo así las fallas de recuerdo catastróficas en tareas de recuperación exacta mientras se mantiene una eficiencia de memoria O(1).
Esta revisión exhaustiva define y clasifica el aprendizaje profundo cuántico en cuatro paradigmas, analiza sus fundamentos teóricos, arquitecturas y demostraciones experimentales en diversas plataformas de hardware, evalúa críticamente las ventajas cuánticas y los desafíos de escalabilidad, y ofrece una hoja de ruta para su implementación a gran escala.
Este artículo presenta un marco de aprendizaje federado consciente de la confianza que utiliza un mecanismo de puntuación adaptativa para filtrar contribuciones de participantes poco fiables en entornos de sensores médicos distribuidos, mejorando así la estabilidad del entrenamiento y la precisión en la interpretación de las etapas de curación ósea.
El artículo presenta HURRI-GAN, un enfoque innovador basado en redes generativas adversarias que corrige los sesgos de los modelos físicos de simulación de huracanes más allá de las estaciones de medición, permitiendo predicciones precisas en tiempo real con menor costo computacional.
Este artículo presenta el descenso de gradiente geodésico (GGD), un optimizador genérico y libre de tasa de aprendizaje que aproxima la geometría local de la función objetivo mediante esferas n-dimensionales para mantener las trayectorias de actualización en la hipersuperficie, logrando reducciones significativas en el error de prueba en comparación con algoritmos clásicos como Adam.
Este estudio demuestra que la técnica de construcción de grafos influye significativamente en el rendimiento de la detección de botnets IoT, identificando que el uso de grafos de Gabriel combinados con un autoencoder variacional y una red neuronal de atención gráfica (GAT) logra la mayor precisión (97,56%) en el conjunto de datos N-BaIoT.
Este artículo presenta PAG, un nuevo marco de búsqueda de vecinos más cercanos aproximados que integra proyecciones en índices gráficos para satisfacer las demandas modernas de eficiencia, escalabilidad y actualizaciones en línea, logrando un rendimiento de búsqueda hasta 5 veces superior al de HNSW.
El artículo presenta EnsAug, un nuevo paradigma de entrenamiento que supera a los métodos convencionales al utilizar un conjunto de modelos especialistas, cada uno entrenado con una única transformación geométrica distinta, logrando así un rendimiento superior en el análisis de secuencias de movimiento humano y reconocimiento de gestos.
El artículo presenta HyperTokens, un generador de tokens basado en transformadores que controla dinámicamente la actualización de prompts para el entendimiento continuo de video-lenguaje, logrando una mayor precisión y menor olvido mediante regularizadores inspirados en meta-aprendizaje y supervision multimodal auxiliar.
Este artículo presenta ERP-RiskBench, un marco experimental reproducible y seguro contra fugas de datos que utiliza un modelo de ensemble de aprendizaje automático para detectar riesgos financieros en sistemas ERP, demostrando que las prácticas rigurosas de validación reducen las estimaciones de rendimiento infladas e identifican las discrepancias en la conciliación de tres vías como los predictores más informativos.
Este artículo presenta un autoencoder CNN no supervisado con una función de pérdida de distancia angular espectral ponderada (WSAD) para realizar la desmezcla ciega de imágenes hiperespectrales de micro-FTIR en secciones transversales de pinturas al óleo históricas, mejorando la interpretación de materiales complejos como se demuestra en un análisis del Políptico de la Adoración del Cordero Místico de los hermanos Van Eyck.
Este artículo demuestra que las Redes Neuronales de Grafos (GNN) superan a modelos tradicionales como TabNet en la estimación del momento de partículas muónicas para el experimento CMS del CERN, destacando la importancia de la dimensionalidad de las características de los nodos para la eficiencia del modelo.
Este trabajo presenta un modelo híbrido de clasificación basado en aprendizaje con pocos ejemplos e inteligencia artificial explicable que integra redes siamesas y prototípicas con Grad-CAM para identificar con alta precisión y transparencia las etapas de enfermedades en hojas de maíz, arroz y trigo, incluso con datos anotados limitados.
Este artículo presenta PRPO, un método de optimización de políticas paralelas que resuelve conflictos en el entrenamiento de modelos visuales para el análisis profundo de gráficos, junto con MCDR-Bench, una nueva plataforma de evaluación objetiva que supera las limitaciones de las técnicas actuales al medir capacidades de razonamiento analítico avanzado.
Este artículo propone una estrategia plug-and-play que combina un paso de desruido inverso adicional con muestreo Monte-Carlo para reducir errores de estimación y mejorar la calidad de la generación guiada en modelos de difusión basados en ecuaciones diferenciales estocásticas.
Este trabajo presenta un marco de aprendizaje no supervisado que utiliza filtrado convolucional y redes neuronales para reconstruir imágenes de haces de iones con alta fidelidad y eliminar el ruido en condiciones de baja relación señal-ruido, permitiendo la detección de estructuras de halo más allá de siete desviaciones estándar sin necesidad de conjuntos de datos de entrenamiento.
El artículo propone la Regularización de Equivarianza Suave (SER), un método que desacopla la invariancia y la equivarianza en diferentes capas de la red para mejorar el aprendizaje auto-supervisado, logrando así un rendimiento superior en tareas de clasificación, robustez ante perturbaciones y detección de objetos sin requerir cabezas de predicción auxiliares ni aumentar significativamente el costo computacional.
Este artículo propone un marco de MLLM consciente de la cámara que, al inyectar parámetros intrínsecos, aplicar aumentación de datos específica y destilar priores geométricos, supera las limitaciones de generalización de los enfoques basados únicamente en RGB para lograr una inteligencia espacial robusta y transferible entre diferentes cámaras.