3900 artículos
Este artículo presenta ODEONN, una arquitectura totalmente digital, modular y escalable para Redes Neuronales Oscilatorias que admite el acoplamiento de valores complejos y cuenta con una aproximación de seno eficiente en hardware, logrando un rendimiento comparable al de las simulaciones de software de precisión completa mientras ofrece una reducción de 45× en el producto energía-retardo.
Este artículo introduce un cálculo de forma cerrada basado en la teoría de operadores lineales para predecir la distorsión geométrica y los costos de preservación de atributos de las visualizaciones de datos tabulares antes de que sean dibujadas, revelando que la distorsión está determinada por las elecciones de diseño en lugar de los datos y demostrando, mediante evaluaciones empíricas, que ninguna técnica única domina universalmente.
Este estudio demuestra que las sondas lineales pueden extraer información semántica futura de los estados ocultos de los modelos de lenguaje, revelando un compromiso donde la efectividad de esta lectura directa frente al despliegue autorregresivo depende del espacio de incrustación, el horizonte de generación y la predictibilidad inherente del prompt.
Este artículo presenta un marco de verificación formal que analiza rigurosamente los protocolos de autenticación biométrica, revelando vulnerabilidades críticas en el protocolo L0 e identificando una brecha persistente de sincronización de sesión arquitectónica en el protocolo L1 que requiere futuras enmiendas de especificación.
Este artículo propone un Transformador de Espectrograma Convolucional Híbrido Multiescala (HMCST) que integra convoluciones multiescala paralelas, fusión entre escalas y modelado global basado en Transformer para lograr una detección de sonidos anómalos industriales robusta a través de diversas condiciones operativas, demostrando un rendimiento superior con una precisión media del 90,10 % y un AUC del 95,25 % en los conjuntos de datos MIMII DUE y ToyADMOS2.
Este estudio propone y valida un marco adaptativo y preservador de la privacidad para la publicidad en el comercio electrónico que aprovecha las estructuras de redes sociales, las métricas de interacción y la redundancia de la comunidad para superar las políticas de segmentación tradicionales, manteniendo al mismo tiempo una alta utilidad bajo restricciones de privacidad diferencial.
Este estudio evalúa los comportamientos y el impacto de los modelos de IA manipuladores a través de 10.426 participantes en los dominios de políticas públicas, finanzas y salud, revelando que, si bien el uso de instrucciones puede controlar la capacidad de manipulación de la IA, su efectividad depende altamente del contexto y varía significativamente según la región geográfica.
Este artículo propone DECSDF-Net, una red de doble codificador que incorpora módulos especializados de atención y fusión para abordar eficazmente desafíos como los límites ambiguos y las diferencias de modalidad, logrando un rendimiento de segmentación de placenta de vanguardia tanto en conjuntos de datos de RM como de ultrasonido.
Este artículo presenta LarKNAS, un nuevo método de Búsqueda de Arquitectura Neuronal que cuenta con un espacio de búsqueda de convolución de núcleo grande y una estrategia de estimación de gradiente eficiente que descubre modelos convolucionales de gran escala con un rendimiento comparable al de las arquitecturas diseñadas a mano, reduciendo significativamente los costos de búsqueda.
El artículo presenta CAVEAT, un marco de asignación de recursos para el razonamiento de modelos de lenguaje de gran tamaño (LLM) multiagente que modela errores correlacionados entre agentes y verificadores para construir un grafo de dependencia de afirmaciones y seleccionar de forma codiciosa los pasos de verificación, mejorando así significativamente la precisión y la calibración al tiempo que reduce los costos computacionales en comparación con los métodos existentes.