13074 artículos
Este artículo propone un marco de aprendizaje por refuerzo profundo multiagente descentralizado, implementado de forma ligera con NumPy para dispositivos de borde, que mejora significativamente el tiempo de finalización de tareas, la eficiencia energética y el cumplimiento de acuerdos de nivel de servicio en sistemas distribuidos heterogéneos en comparación con enfoques tradicionales.
Este estudio utiliza teoría de juegos evolutiva para demostrar que la confianza de los usuarios, entendida como una reducción dinámica de la supervisión, solo conduce a la adopción generalizada de sistemas de IA seguros cuando las sanciones por comportamientos inseguros superan los costos de seguridad y los usuarios pueden permitirse realizar monitoreo ocasional, lo que subraya la necesidad de transparencia y sanciones significativas en la gobernanza de la IA.
Este trabajo presenta SPARTA, un marco de aprendizaje contrastivo que integra muestreo temporal, consistencia cíclica y fusión de redes neuronales gráficas para generar representaciones latentes robustas de datos meteorológicos dispersos en el conjunto ERA5, mejorando así el rendimiento en tareas posteriores como la predicción y la detección de fenómenos extremos.
Este artículo demuestra que el fenómeno de "grokking" en redes neuronales puede caracterizarse como una transición de fase finita y falsificable, utilizando el orden del grupo como variable extensiva y análisis de susceptibilidad para descartar interpretaciones de cruce suave en favor de un umbral compartido.
Este artículo propone un modelo de Filtrado Colaborativo Neuronal con etiquetas pseudo derivadas de encuestas que, al aprender representaciones duales, mejora significativamente la precisión de las recomendaciones en comunidades de salud en línea bajo condiciones de extrema escasez de interacciones, aunque revela una compensación entre la separabilidad semántica de los embeddings y el rendimiento de clasificación.
Este trabajo presenta T-PaiNN, un marco de aprendizaje por transferencia que mejora drásticamente la eficiencia de datos de los potenciales interatómicos basados en redes neuronales gráficas al preentrenarlos con datos de campos de fuerza clásicos y afinarlos con conjuntos de datos cuánticos pequeños, logrando una precisión superior y una convergencia más rápida en comparación con los modelos entrenados exclusivamente con datos cuánticos.
Este artículo presenta "Worldline Slot Attention", un modelo que utiliza geometría lorentziana para representar objetos como trayectorias causales en el espaciotiempo, logrando una detección jerárquica de objetos significativamente superior a los enfoques euclidianos al incorporar la estructura causal asimétrica inherente a la visión.
El artículo introduce la Red de Intersección de Grupos de Expansión Binaria (BEGIN), un modelo gráfico libre de distribuciones que establece la equivalencia entre la independencia condicional y una representación lineal dispersa, una factorización de bloques y la diagonalidad de bloques en matrices de covarianza para datos binarios y variables multinomiales codificadas en bits, extendiendo así el modelado gráfico gaussiano a contextos no gaussianos mediante el uso de representaciones bit y el prisma de Hadamard.
Esta revisión compara los enfoques existentes para la generación de imágenes cardíacas de resonancia magnética sintéticas mediante modelos generativos profundos, evaluando su fidelidad, utilidad clínica y privacidad para abordar la escasez de datos anotados y mejorar la robustez en entornos multi-fabricante.
Este estudio demuestra que el ajuste fino del modelo LLaMA 3.1-8B sobre un corpus validado de conversaciones clínicas simuladas en finlandés es un enfoque efectivo para la transcripción médica, logrando una alta similitud semántica a pesar de la baja superposición de n-gramas, lo que respalda la viabilidad de modelos de lenguaje específicos para dominios en idiomas de recursos limitados.