2358 artículos
Este artículo propone un marco de eliminación de sesgos por capas para CLIP ViT congelado que mitiga la dependencia jerárquica de atajos mediante intervenciones espaciales, de frecuencia y semánticas dirigidas, mejorando así la generalización entre generadores de los detectores de imágenes generadas por IA.
Este artículo propone MACRDR, un marco de colaboración y reflexión multiagente que mejora la diversidad de la recomendación de noticias y el descubrimiento de intereses al reformular el proceso como un mecanismo dinámico de calibración de intención, donde agentes predictivos y reflexivos ajustan colaborativamente los perfiles de usuario para mitigar las burbujas de filtro y capturar las preferencias evolutivas.
Este estudio demuestra que los protocolos rigurosos resistentes a la fuga de datos, particularmente la validación de exclusión de rutas, son esenciales para una detección creíble de la somnolencia del conductor, revelando que si bien el aumento de gradiente basado en histogramas agrupados logra un alto rendimiento bajo divisiones estándar, sufre una penalización significativa por transferencia de ruta y que la fusión de modalidades complejas no supera a los modelos agrupados más simples.
Este artículo introduce las Redes Neuronales Convolucionales Cuánticas con Equivarianza de Traslación de Píxeles (PCS-QCNNs), las cuales resuelven el desajuste entre las simetrías de codificación de imágenes y las permutaciones estándar de cúbits mediante la construcción de capas multiplexadas por Fourier que conmutan exactamente con los desplazamientos cíclicos de píxeles, demostrando un rendimiento superior sobre controles cuánticos no equivariantes en evaluaciones de MNIST trasladadas, al tiempo que resaltan los desajustes críticos entre entrenamiento y despliegue derivados de los costos de muestreo de disparos finitos.
Este artículo presenta una revisión de evidencia rápida, informada por PRISMA, de 33 estudios sobre la IA agéntica confiable, introduciendo la taxonomía T-SAFE y un marco estratificado para abordar brechas críticas en seguridad, explicabilidad, alineación y supervisión humana, al tiempo que destaca la actual negligencia de investigación en materia de equidad.
Este artículo presenta SPS-LIME, un marco de explicación agnóstico al modelo que mejora la interpretabilidad de los clasificadores de textos legales mediante la perturbación de segmentos de longitud variable y retóricamente coherentes en lugar de tokens o oraciones individuales, logrando así una consistencia y exhaustividad superiores al tiempo que revela posibles desajustes entre la sensibilidad del clasificador y el razonamiento jurídico explícito.
Este estudio introduce un marco híbrido de GeoAI y Análisis de Decisión Multicriterio que utiliza el aprendizaje automático no supervisado para identificar sitios de centros de datos legal y ambientalmente viables dentro de la cuenca del río Guadalupe, resolviendo eficazmente los conflictos entre agua y energía al reemplazar la ponderación subjetiva de expertos con criterios derivados empíricamente para guiar la infraestructura lejos de la zona de recarga sensible del Acuífero de Edwards.
Este artículo propone Token-Adaptive LoRA, un método de ajuste fino eficiente en parámetros que enruta dinámicamente los tokens de imagen hacia expertos LoRA con rangos diferenciados a través de un enrutador Noisy Top-1, mejorando significativamente el rendimiento del Segment Anything Model en tareas de detección y segmentación de teledetección con una sobrecarga computacional mínima.
Este artículo presenta un protocolo de auditoría condicionado por archivos para evaluar cómo los modelos de visión y lenguaje y las estructuras de prompts interactúan con los metadatos de museos al evaluar el valor artístico, demostrando a través de un estudio de caso del Metropolitan Museum of Art que los prompts de "influencia" producen las diferencias basadas en categorías más consistentes, al tiempo que resaltan las limitaciones de la generalización entre modelos y entre prompts.
Este artículo propone un marco robusto de detección de fraude con tarjetas de crédito que combina Redes Generativas Antagónicas (GANs) para abordar el severo desequilibrio de clases con técnicas de aprendizaje automático de conjunto, demostrando que el modelo XGBoost resultante logra un rendimiento superior en exhaustividad, precisión y viabilidad en tiempo real en un conjunto de datos de 76.900 transacciones.