3900 artículos
Este artículo presenta la Minimización de Arrepentimiento Contrafactual Profundo Jerárquico (HDCFR, por sus siglas en inglés), un nuevo algoritmo que integra el aprendizaje de estrategias jerárquicas basadas en habilidades con Deep CFR para mejorar la eficiencia al resolver juegos de información imperfecta a gran escala mediante el uso de pericia predefinida y habilidades transferibles.
Este artículo propone una arquitectura híbrida de CNN-Transformer eficiente y explicable que combina un backbone ResNet50 preentrenado con un cabezal Transformer ligero para lograr un 97.40% de precisión en la clasificación de resonancias magnéticas de tumores cerebrales, manteniendo la eficiencia computacional y proporcionando explicabilidad visual de doble nivel, superando significativamente a una línea base de PCA-SVM con una sobrecarga mínima.
Este artículo presenta DERC, un marco de computación de reservorio en el borde distribuido que aprovecha un único modelo sintonizado en el borde del caos para realizar de manera eficiente y precisa diversas tareas computacionales a través de muchos agentes, demostrando que el tamaño del reservorio no se correlaciona con la precisión de la predicción y que tales modelos ligeros pueden igualar el rendimiento de alternativas más intensivas en recursos en aplicaciones del mundo real como la predicción de la carga y de la red eléctrica.
Este artículo propone un cambio de paradigma del razonamiento causal basado en sustantivos a uno basado en verbos en la IA, introduciendo un marco de "distribución de tiempo posible" que permite el modelado de mundo de tipo agente y la deducción contrafáctica a nivel individual, tal como se demuestra a través de trayectorias de pacientes con cáncer de mama, sentando así las bases teóricas para la subjetividad de la IA.
El artículo propone TeNS, un modelo de puntuación neuronal temporal para la completitud de grafos de conocimiento temporales que utiliza un codificador temporal aprendible y una red de puntuación de perceptrón multicapa para capturar patrones temporales complejos e interacciones no lineales profundas, superando así a las líneas base existentes en tareas de predicción de enlaces.
JoinFinder es un marco de aprendizaje profundo multimodal que aprovecha la identidad del manuscrito como un sustituto supervisado escalable para aprender incrustaciones robustas para identificar y recuperar fragmentos de manuscritos históricos, logrando un rendimiento superior en el descubrimiento de uniones candidatas a través del corpus de la Geniza de El Cairo sin requerir anotaciones de unión explícitas.
Este artículo demuestra que la representación de entrada del problema del logaritmo discreto dicta fundamentalmente el algoritmo interno descubierto por las redes neuronales, revelando que la alineación algebraica con la verdadera factorización del problema es un prerrequisito para la generalización rápida (grokking) y que las estructuras computacionales necesarias ricas en interacciones se forman durante la fase de memorización mucho antes de que el rendimiento mejore.
Este artículo presenta un marco de evaluación exhaustivo que evalúa la robustez de los modelos de lenguaje de gran tamaño al extraer pares clave-valor de documentos ruidosos generados por OCR, revelando que el rendimiento con texto limpio es un indicador poco fiable de la fiabilidad en el mundo real y desafiando las suposiciones sobre la consistencia en las clasificaciones de los modelos y los beneficios monotónicos del prompting de pocos disparos (few-shot prompting).
Este artículo propone un marco de respuesta ante incidentes automatizado y consciente de la fiabilidad para sistemas distribuidos basados en Cadence que integra el modelado de fiabilidad a nivel de flujo de trabajo y señales de monitoreo enriquecidas para acelerar la detección y la recuperación, al tiempo que mejora la estabilidad del sistema a largo plazo.
Este artículo evalúa sistemáticamente las distintas firmas de fallo de SINDy, las ODEs neuronales y las PINNs bajo observaciones dispersas y ruidosas, revelando cómo el ruido, la geometría de muestreo y los ajustes de optimización impactan diferencialmente su precisión, estabilidad y exactitud predictiva a través de diversos sistemas dinámicos.