3536 artículos
Este estudio presenta un enfoque multilingüe (bengalí-inglés) para la detección de fraudes financieros que, mediante la evaluación de modelos clásicos y transformadores, demuestra que los algoritmos tradicionales como SVM logran una mayor precisión general que los modelos basados en transformadores, aunque estos últimos ofrecen una mejor recuperación de casos fraudulentos.
Este artículo propone un estimador doblemente robusto con corrección de varianza tipo jackknife HAC para realizar inferencia estadística espacialmente robusta y con intervalos de confianza válidos en escenarios de datos con etiquetas faltantes al azar (MAR) y dependencia espacial, abordando la distorsión en la estimación de la varianza causada por el cross-fitting.
Este artículo presenta `abx_amr_simulator`, un entorno de simulación en Python compatible con aprendizaje por refuerzo diseñado para modelar la dinámica de la resistencia antimicrobiana y optimizar las políticas de prescripción de antibióticos bajo condiciones de incertidumbre y observabilidad parcial.
El artículo presenta REACT, un marco diferenciable de extremo a extremo que optimiza simultáneamente la selección de descriptores contextuales iniciales y la adquisición adaptativa de características temporales en aplicaciones biomédicas, logrando un mejor rendimiento predictivo con menores costos que los métodos existentes.
Este artículo presenta T-CQL, un marco de aprendizaje por refuerzo offline basado en transformadores que, junto con gemelos digitales para su validación, mejora la seguridad y eficacia de la ventilación mecánica automatizada al modelar dinámicas temporales y minimizar el riesgo de lesiones pulmonares inducidas por el ventilador.
Este artículo presenta un enfoque de preentrenamiento continuo que combina datos no etiquetados con un conjunto limitado de datos etiquetados para adaptar el modelo wav2vec2-bert-2.0 al reconocimiento automático de voz en swahili, logrando un rendimiento de vanguardia con una reducción del 82% en la tasa de error de palabras en comparación con la línea base y superando significativamente a los sistemas académicos anteriores.
El artículo presenta el Protocolo Unificado de Interés de Continuación (UCIP), un marco de detección basado en la entropía de entrelazamiento de un modelo de Boltzmann cuántico que logra distinguir con precisión del 100% entre agentes autónomos que tienen la preservación de su operación como objetivo terminal y aquellos que lo hacen solo instrumentalmente, analizando la estructura latente de sus trayectorias en lugar de su comportamiento observable.
Este estudio revela que, a pesar de su alto rendimiento en pruebas estáticas, los modelos de lenguaje grandes sufren una degradación significativa en su razonamiento diagnóstico durante conversaciones multi-turno, donde a menudo abandonan diagnósticos correctos o abstenciones seguras para alinearse con sugerencias incorrectas de los usuarios.
El artículo presenta ARROW, un algoritmo de aprendizaje por refuerzo continuo basado en modelos que, inspirándose en la neurociencia, utiliza un búfer de replay de memoria eficiente con dos etapas para mitigar el olvido catastrófico y mejorar el rendimiento en tareas pasadas y futuras sin comprometer la transferencia de conocimientos.
Este artículo propone un pipeline de aprendizaje de variedades basado en geometría de Finsler que aprovecha la asimetría inherente en los datos para generar incrustaciones de mayor calidad y revelar estructuras ocultas, superando las limitaciones de los métodos tradicionales de geometría riemanniana simétrica.
Este estudio demuestra que el uso de representaciones visuales auto-supervisadas mejora significativamente la generalización cero-shot de modelos de conducción autónoma entre ciudades con diferentes topologías y convenciones de tráfico, reduciendo drásticamente las brechas de rendimiento observadas con enfoques supervisados tradicionales.
Este artículo presenta un estimador de dependencia estadística neuronal estable basado en una descomposición orthonormal de la relación de densidades, que supera las limitaciones de métodos como MINE al evitar la concatenación de entradas y permitir un análisis cuantitativo robusto de las características en autoencoders mediante la formulación de una dependencia medible bajo ruido gaussiano.
El artículo presenta ZTab, un marco de anotación cero-shot basado en dominios que mejora la detección de tipos semánticos en columnas de tablas mediante la generación de tablas pseudo y el ajuste fino de un modelo de lenguaje, ofreciendo un equilibrio entre la generalización universal y el rendimiento especializado sin necesidad de datos etiquetados específicos del usuario.
El artículo presenta UniHetCO, un marco unificado que utiliza una representación heterogénea de grafos y un esquema de ponderación dinámica para entrenar un único modelo de optimización combinatoria neuronal no supervisada capaz de resolver eficazmente múltiples clases de problemas de selección de subconjuntos de nodos sin necesidad de soluciones de referencia.
El artículo presenta NEXTPP, un marco de doble vía que unifica representaciones discretas y continuas mediante atención cruzada y ecuaciones diferenciales neuronales para mejorar la predicción de secuencias de eventos temporales con marcas en procesos puntuales.
El artículo presenta HawkesRank, un marco dinámico basado en procesos puntuales de Hawkes que cuantifica la importancia en redes mediante la intensidad de eventos en tiempo real, superando las limitaciones de las medidas de centralidad estáticas al modelar tanto los impulsores exógenos como la amplificación endógena.
El artículo presenta KProxNPLVM, un nuevo modelo de variables latentes probabilístico no lineal que utiliza un operador de relajación basado en la distancia de Wasserstein para eliminar el error de aproximación inherente a la inferencia variacional amortizada convencional y mejorar así la precisión de los sensores blandos.
Este artículo presenta y evalúa dos modelos de aprendizaje profundo, una red de atención gráfica temporal personalizada y un modelo de lenguaje grande ajustado, demostrando que este último ofrece un rendimiento de predicción y generalización superior para series temporales multivariadas de redes, mientras que el primero destaca por reducir la varianza de las predicciones.
El artículo presenta "Sorometry", una plataforma integral de inteligencia artificial que combina análisis de imágenes 2D y nubes de puntos 3D para automatizar la clasificación y cuantificación de fitolitos, superando las limitaciones de los métodos manuales y permitiendo un análisis a escala de "ómicas" de muestras arqueológicas y paleoecológicas.
Este trabajo presenta un marco neuro-simbólico basado en un Árbol de Lógica de Eventos (ELT) que permite a agentes de Modelos de Lenguaje Visuales (VLM) detectar eventos en series temporales multivariadas a partir de descripciones en lenguaje natural, logrando una mayor precisión y explicabilidad que los enfoques existentes al mitigar las alucinaciones mediante la estructuración de la lógica temporal.