11095 artículos
El artículo presenta DreamSAC, un marco que combina una estrategia de exploración basada en simetrías con un modelo de mundo hamiltoniano para aprender invariancias físicas y lograr una generalización extrapolativa superior en simulaciones físicas 3D.
El artículo presenta COOL-MC, una herramienta que verifica y explica políticas de aprendizaje por refuerzo para el mantenimiento de redes de múltiples puentes, demostrando mediante verificación de modelos probabilísticos y análisis de explicabilidad que, aunque la política aprendida presenta una probabilidad de violación de seguridad del 3,5% y un sesgo sistemático hacia un puente específico, el marco permite un análisis formal e interpretable de dichas estrategias.
Este artículo demuestra que un enfoque centrado en los datos, que combina un preprocesamiento cuidadoso y un modelo simplificado de CNN-VAE, logra un rendimiento competitivo en la clasificación de ECG del conjunto de datos PTB-XL con una complejidad de modelo significativamente reducida.
El paper propone GRD-Net, una arquitectura que combina una red generativa adversarial con un módulo de atención a regiones de interés para detectar y localizar anomalías en inspecciones visuales industriales, aprendiendo tanto de productos defectuosos sintéticos como de datos reales sin depender de algoritmos de post-procesamiento sesgados.
Este artículo demuestra que, bajo condiciones realistas que incluyen técnicas de entrenamiento anti-sobreajuste, umbrales calibrados en modelos sombra y priores de membresía desequilibrados, la efectividad del ataque de inferencia de membresía LiRA disminuye significativamente en comparación con evaluaciones anteriores, lo que subraya la necesidad de protocolos de auditoría de privacidad más rigurosos y reproducibles.
Este trabajo presenta un nuevo solucionador neuronal generativo basado en difusión de matrices de restricciones que supera las limitaciones de robustez y generalización de los métodos autoregresivos existentes, logrando un rendimiento de vanguardia en problemas de enrutamiento de vehículos mediante la integración adaptativa de una matriz de asignación de restricciones en el proceso de decisión.
Este artículo presenta una comparación sistemática de cuatro objetivos de entrenamiento para la detección de distribuciones fuera de contexto en clasificación de imágenes, revelando que la Pérdida de Entropía Cruzada ofrece el rendimiento más consistente tanto en distribuciones cercanas como lejanas en comparación con las pérdidas de prototipo, tripletas y precisión promedio.
El artículo presenta TS-MLLM, un marco unificado de modelo de lenguaje grande multimodal que integra señales temporales, representaciones visuales de frecuencia y conocimiento textual mediante mecanismos de adaptación y fusión de atención para mejorar significativamente el análisis y la predicción de datos de series temporales industriales.
Este artículo presenta un marco de detección de anomalías semisupervisado basado en una arquitectura generativa adversarial con autoencoder residual, diseñado para inspección visual en línea de producción farmacéutica de alta velocidad que logra un alto rendimiento de detección y localización espacial dentro de las estrictas restricciones de tiempo y hardware.
Este artículo presenta un marco de generación procedural de audio de motores que extrae estructuras armónicas de grabaciones reales para sintetizar un nuevo conjunto de datos de 19 horas con anotaciones precisas de RPM y par de torsión, validado para su uso en investigación de modelado acústico y síntesis basada en aprendizaje.
El artículo presenta StructAttack, un marco de ataque de una sola consulta que explota la vulnerabilidad de los modelos de visión y lenguaje grandes al ensamblar contenido malicioso a partir de bloques semánticos benignos dispuestos en estructuras visuales, logrando así eludir los mecanismos de seguridad en entornos de caja negra.
El artículo presenta DSS-GRPO, un método de aprendizaje por refuerzo que escala la compresión de la cadena de pensamiento según la dificultad y separa las señales de aprendizaje entre el razonamiento y la respuesta final, logrando así reducir la longitud del proceso de pensamiento sin degradar la calidad de la respuesta.
El artículo presenta MetaSort, un algoritmo innovador que combina compresión adaptativa de alta fidelidad y clasificación few-shot de formas de onda de picos neuronales mediante aprendizaje meta-transferido que explota la información geométrica, demostrando un alto rendimiento en datos in-vivo y su potencial para implementaciones en chip de ultra bajo consumo.
El artículo presenta TT-Sparse, un modelo neuronal interpretable que utiliza tablas de verdad diferenciables y un nuevo operador soft TopK para aprender reglas booleanas escasas y eficientes que logran un alto rendimiento predictivo con una complejidad reducida en comparación con los métodos actuales.
El artículo presenta MAS-H2, un sistema jerárquico de agentes multiagente que resuelve el problema del vacío estratégico en el escalado automático de la nube al integrar políticas de negocio con la planificación proactiva de recursos, logrando en pruebas con Kubernetes una reducción significativa del estrés de CPU y una migración estratégica sin tiempo de inactividad en comparación con los escaladores nativos.
Este trabajo presenta un nuevo marco de representación visual implícita que codifica señales como funciones parametrizadas por adaptaciones de bajo rango en modelos generativos congelados, logrando una compresión de video perceptual de alta calidad a tasas de bits extremadamente bajas y estableciendo un puente unificado entre la compresión y la generación visual.
Este artículo presenta SMAT, un método de entrenamiento en etapas para múltiples agentes que permite el desarrollo de un controlador de exoesqueleto de cadera co-adaptativo y generalizable, el cual reduce la activación muscular en un 10,1% y proporciona asistencia mecánica positiva consistente en humanos sin necesidad de reentrenamiento específico por sujeto.
Este artículo presenta un nuevo acelerador basado en fotónica de silicio para modelos de difusión que, según evaluaciones experimentales, mejora la eficiencia energética en al menos un 3x y el rendimiento en 5,5x en comparación con los aceleradores electrónicos más avanzados.
Este artículo presenta un marco de aprendizaje por refuerzo para entrenar controladores de exoesqueleto en simulación que reducen los momentos articulares biológicos, validando su consistencia con datos reales mediante un pipeline que demuestra una fuerte correlación temporal en los torques de asistencia, especialmente en la cadera, a pesar de ciertas discrepancias en velocidades e inclinaciones más extremas.
El artículo presenta HELIX, un marco de aprendizaje por refuerzo evolutivo jerárquico que combina el aprendizaje en contexto con la refinación iterativa de políticas para superar las limitaciones de exploración y generalización en la resolución de problemas científicos abiertos, logrando resultados de vanguardia en tareas como el empaquetado de círculos y en benchmarks de aprendizaje automático.