11434 artículos
Este artículo propone un método de eliminación de artefactos en imágenes 3D de CBCT dental mediante modelos de difusión basados en puntuación perpendicular que operan en el dominio de las proyecciones para preservar las correlaciones tridimensionales y mejorar la calidad de la imagen.
Este artículo presenta PolaDCA, un nuevo marco de aprendizaje relacional basado en atención cruzada directa polarizada que supera las limitaciones de las redes neuronales gráficas convencionales mediante la construcción dinámica de grafos y el uso de características nodales semánticamente distintas, logrando así un diagnóstico de fallos en maquinaria rotativa más robusto y preciso en entornos industriales ruidosos.
El artículo propone un pipeline de tres etapas que entrena modelos de lenguaje para generar estimaciones de incertidumbre calibradas e interpretables de manera eficiente mediante el cálculo de entropía, la calibración con escalado de Platt y el ajuste fino con aprendizaje por refuerzo, superando así las limitaciones computacionales y de precisión de los métodos posteriores al entrenamiento.
El artículo presenta SAHOO, un marco práctico que utiliza tres mecanismos de seguridad para monitorear y controlar la deriva de alineación durante la auto-mejora recursiva de sistemas de IA, logrando mejoras significativas en tareas de código y razonamiento sin comprometer la seguridad ni la veracidad.
El estudio presenta AIRT, un marco de aprendizaje profundo de extremo a extremo capaz de generar planes de radioterapia VMAT para próstata en menos de un segundo con una calidad no inferior a los planes estándar, lo que representa un avance significativo hacia la estandarización y aceleración de los flujos de trabajo clínicos.
El artículo presenta MoEless, el primer marco de servicio de modelos de lenguaje grandes tipo Mezcla de Expertos (MoE) basado en computación sin servidor, que utiliza predictores de carga y estrategias de escalado optimizadas para mitigar el desequilibrio de expertos, reduciendo la latencia de inferencia en un 43% y los costos en un 84% en comparación con soluciones existentes.
El artículo presenta el DC-DiT, un modelo de transformador de difusión que mejora la eficiencia y la calidad de la generación de imágenes mediante un mecanismo de fragmentación dinámica que adapta la cantidad de tokens procesados según la complejidad visual de las regiones de la imagen y la etapa del proceso de denoising.
Este trabajo presenta la Frequency-Separable Hamiltonian Neural Network (FS-HNN), un modelo que descompone la función hamiltoniana en modos rápidos y lentos mediante múltiples redes neuronales entrenadas a distintas escalas temporales para superar las limitaciones de los métodos anteriores y mejorar la extrapolación a largo plazo en sistemas dinámicos complejos gobernados por EDOs y EDPs.
Este trabajo presenta un modelo de clasificación basado en la distancia de compresión normalizada que, a pesar de no ser una métrica formal, logra una precisión comparable o superior a los métodos actuales con un bajo costo computacional y pocos datos, permitiendo su ejecución eficiente en dispositivos cliente para preservar la privacidad.
El artículo presenta CLAIRE, un marco de aprendizaje profundo híbrido que combina autoencoders no supervisados y clasificación supervisada para mejorar la detección de fallos en la fabricación inteligente mediante la reducción de dimensionalidad y la interpretabilidad de las características.
Este trabajo presenta ALFCG, el primer marco de gradiente condicional adaptativo y libre de proyecciones para la minimización estocástica no convexa que estima la suavidad local sin requerir constantes globales ni búsqueda de línea, logrando tasas de convergencia óptimas y superando a los métodos actuales en experimentos de clasificación multiclase.
Este artículo extiende la regularización basada en cinética (KBR) para estimar derivadas espaciales con precisión de segundo orden mediante esquemas explícitos e implícitos, demostrando su eficacia en la captura estable de choques en ecuaciones diferenciales parciales hiperbólicas unidimensionales y su potencial para resolver PDEs en nubes de puntos irregulares.
El artículo propone una arquitectura de orquestación "gated" por esquemas que separa la flexibilidad conversacional de la ejecución determinista en flujos de trabajo científicos, validando que esta aproximación resuelve la tensión entre adaptabilidad y reproducibilidad mediante un marco de evaluación basado en múltiples modelos de lenguaje.
El artículo presenta R4T, un marco que utiliza el aprendizaje por refuerzo para sintetizar datos de entrenamiento alineados con objetivos de conjunto y entrena un recuperador difusivo ligero, logrando así una recuperación eficiente de múltiples resultados con propiedades optimizadas y una latencia significativamente reducida en comparación con los métodos basados en LLM.
Este artículo presenta el primer conjunto de datos de radiomapas para sistemas XL-MIMO en la banda superior de 6 GHz, junto con un marco de evaluación integral y un enfoque basado en "mapas de haz" que mejora significativamente la generalización de las predicciones a configuraciones y entornos no vistos al decoupling la radiación determinista del array de la propagación de múltiples trayectorias aprendida por datos.
El artículo presenta M-CMAB, un marco de programación de inferencia para modelos de lenguaje multimodal que utiliza un contexto de múltiples adaptadores y algoritmos de bandidos multi-brazo para optimizar decisiones en línea bajo restricciones presupuestarias multidimensionales, superando a los métodos existentes en calidad de respuesta y eficiencia.
Este artículo propone una arquitectura de referencia para los marcos de aprendizaje por refuerzo, derivada del análisis de 18 implementaciones de vanguardia mediante teoría fundamentada, con el fin de estandarizar su comparación, evaluación e integración.
El artículo presenta CLoPA, una estrategia de adaptación continua que ajusta una pequeña fracción de los parámetros de nnInteractive durante el flujo de trabajo de anotación, logrando un rendimiento experto en tareas de segmentación médica diversa con solo un episodio de entrenamiento y sin modificar la infraestructura existente.
Este trabajo presenta un marco para el cálculo certificado y preciso de normas en espacios funcionales de redes neuronales profundas, combinando aritmética de intervalos, refinamiento adaptativo y cuadratura para obtener cotas deterministas garantizadas de integrales como las normas y Sobolev, superando las limitaciones de las evaluaciones puntuales tradicionales.
Este artículo propone un mapa de correlación-complejidad con indicadores QCLI y CCI para identificar distribuciones de datos reales compatibles con modelos generativos cuánticos tipo IQP, demostrando mediante datos de turbulencia clásica que este enfoque logra una alineación distribucional competitiva con RBM y DCGAN utilizando menos recursos de entrenamiento.