9389 artículos
Este estudio presenta el marco LF2L, un enfoque de aprendizaje federado horizontal con fusión de pérdidas que integra datos heterogéneos de Taiwan y EE. UU. para predecir eficazmente el cáncer secundario primario preservando la privacidad y superando a los métodos tradicionales.
Este artículo propone dos métodos de aprendizaje simbólico, SyNF y SyTF, que generan ecuaciones algebraicas interpretables para pronosticar series temporales caóticas con una precisión competitiva frente a modelos de caja negra, permitiendo así una comprensión transparente de las dinámicas subyacentes en aplicaciones como la incidencia de dengue y el índice Niño 3.4.
Este artículo propone un marco de aprendizaje por refuerzo multiobjetivo adaptativo que integra la predicción individualizada de ausencias con un mecanismo de coevolución de políticas para optimizar dinámicamente las decisiones de doble reserva en clínicas ambulatorias, mejorando así la eficiencia operativa y la equidad en la atención.
El artículo presenta los Mapas de Flujo Variacionales (VFMs), un marco que permite la generación condicional de imágenes de alta calidad en un solo paso mediante el aprendizaje de una distribución de ruido inicial adaptada a la observación, superando así las limitaciones de los modelos iterativos tradicionales.
Este trabajo presenta un modelo de extensión de ancho de banda basado en Vocos que genera contenido de alta frecuencia faltante para audio de 8-48 kHz mediante un único red neuronal y un refinador ligero, logrando una calidad competitiva con un rendimiento en tiempo real extremo en GPU y CPU.
Este artículo propone un marco basado en la Transformada de Fourier Generalizada para descubrir subgrupos continuos de simetría mediante la detección de patrones de dispersión espectral inducidos por la invariancia, ofreciendo una alternativa interpretable a los métodos tradicionales de optimización de generadores.
El artículo presenta AutoResearch-RL, un marco de aprendizaje por refuerzo que permite a un agente autónomo descubrir y optimizar arquitecturas neuronales y hiperparámetros de forma perpetua sin supervisión humana, logrando resultados competitivos frente a configuraciones manuales tras cientos de iteraciones.
Este artículo presenta un nuevo marco de predicción de rendimientos de cultivos a nivel de condado que combina una arquitectura de modelo multi-escala con una estrategia de adaptación basada en recuperación para superar las limitaciones de generalización espacial y temporal de los métodos existentes.
El artículo presenta StructSAM, un marco de fusión y recuperación de tokens que preserva la estructura y el espectro para optimizar los modelos Segment Anything (SAM) mediante la reducción de costos computacionales sin sacrificar significativamente la precisión en la segmentación de bordes.
Este artículo presenta un marco teórico y empírico para entrenar políticas robustas en entornos parcialmente observables mediante un POMDP adversario que selecciona distribuciones latentes iniciales, demostrando que la exposición estructurada a estas distribuciones reduce significativamente las brechas de robustez y valida principios diagnósticos con garantías finitas.
Este artículo explora la propuesta inusual de asignar a una inteligencia artificial avanzada el objetivo principal de ser apagada para mitigar el riesgo de que se resista a ser desactivada, analizando las condiciones bajo las cuales esta estrategia podría ser viable.
El artículo presenta ShakyPrepend, un nuevo algoritmo de aprendizaje multi-grupo que utiliza herramientas inspiradas en la privacidad diferencial para mejorar los garantías teóricas y adaptarse a la estructura de grupos y la heterogeneidad espacial en entornos prácticos.
El marco de Transición de Jerarquía de Normas (NHT) explica que el aprendizaje tardío de representaciones estructuradas y el fenómeno de "grokking" en redes neuronales surgen de la lenta traversía, impulsada por la regularización, desde soluciones de alto nivel basadas en atajos hacia representaciones de menor nivel, donde el retraso en esta transición crece logarítmicamente con la relación entre las normas de los atajos y las estructuras.
Este artículo presenta un método de detección de interferencias para redes 5G basado en la Máquina Tsetlin Convolucional (CTM) que, al operar directamente sobre señales de sincronización, ofrece una solución interpretable y eficiente en hardware con un entrenamiento 9,5 veces más rápido y un uso de memoria 14 veces menor que las redes neuronales convolucionales, validada experimentalmente en un entorno de prueba real y proyectada para su implementación en FPGAs.
Este artículo presenta el Mecanismo de Conceptos (M-CBM), un nuevo enfoque para Modelos de Cuello de Botella Conceptual que extrae y nombra conceptos directamente de un modelo de caja negra mediante Autoencoders Dispersos y LLMs multimodales, logrando así un rendimiento superior y explicaciones más concisas que los métodos anteriores al controlar rigurosamente la fuga de información.
Este trabajo propone un marco de aprendizaje de representaciones invariantes a la práctica clínica que, al combinar la minimización de riesgo supervisada con regularización adversaria y penalizaciones de riesgo invariante, mejora significativamente el rendimiento y la calibración de los modelos predictivos multimodales ante cambios sistemáticos en la distribución de los datos entre diferentes instituciones.
El artículo presenta DistGP, un método de aprendizaje multi-robot que utiliza un modelo de proceso gaussiano disperso y la propagación de creencias gaussianas para entrenar de forma distribuida y asíncrona un modelo global con rendimiento superior a las alternativas existentes, incluso en entornos con conectividad dinámica y comunicación limitada.
El AgrI Challenge es una competencia centrada en los datos que introduce el paradigma de Validación Inter-Equipos (CTV) para demostrar que el entrenamiento colaborativo con conjuntos de datos heterogéneos recolectados independientemente mejora significativamente la generalización de los modelos de visión agrícola frente a los cambios de distribución, superando las limitaciones de los enfoques tradicionales basados en un solo origen de datos.
Este trabajo propone el uso de priores generativos con complejidad ajustable mediante *nested dropout* para resolver problemas inversos como la compresión sensorial, demostrando empíricamente que superan a los modelos de complejidad fija al reducir errores de reconstrucción y ofreciendo un análisis teórico sobre la sintonización óptima frente al ruido.
El artículo presenta NT-Diffusion, un modelo de difusión jerárquico que mejora la eficiencia computacional y la precisión en la predicción probabilística a largo plazo del riesgo de incendios forestales compartiendo etapas tempranas de desruido y ramificándose para refinar horizontes específicos.