4031 artículos
Este artículo presenta un algoritmo de dos fases que aprovecha los Modelos de Lenguaje de Gran Escala para generar automáticamente ontologías RDF a partir de URLs de videos de YouTube mediante la creación primero de un resumen textual y luego su conversión en una representación de dominio estructurada, logrando un 90% de precisión en un conjunto de datos de deportes.
Este artículo propone un sistema de blockchain industrial portátil y que preserva la privacidad que utiliza correos electrónicos firmados con DKIM y pruebas de conocimiento cero para verificar el derecho de un revendedor a vender productos a través de mercados y fronteras sin requerir la integración de plataformas, hardware especializado o la divulgación de un historial comercial sensible.
Este estudio presenta un sistema totalmente automatizado y escalable para la verificación dimensional a escala milimétrica de cortes textiles que aprovecha modelos U-Net y ResUnet mejorados con una función de pérdida compuesta y un mecanismo de selección adaptativo para superar los desafíos de la deformación de la tela y superar los métodos de medición convencionales manuales y de arquitectura fija.
Este artículo propone un marco de composición basado en especificaciones que permite el uso seguro de la IA en flujos de trabajo de datos regulados al separar la autoría asistida por IA de la ejecución gobernada, asegurando que solo se compongan y ejecuten artefactos validados, versionados y plenamente trazables.
ScaleCal es un marco de trabajo libre de entrenamiento que aborda la degradación de la señal de confianza en modelos de lenguaje pequeños mediante la combinación de señales basadas en logits calibradas por temperatura con un muestreo de consistencia semántica selectivo, mejorando significativamente el error de calibración y la detección de fallos mientras mantiene bajos costos computacionales.
Esta revisión narrativa crítica redefine el aprendizaje con etiquetas ruidosas al ir más allá de los supuestos de error aleatorio para analizar desajustes de supervisión estructurada, la dinámica de representación y los procesos robustos, conectando finalmente los supuestos de ruido con la corrección de riesgo y los protocolos de evaluación para abordar los desafíos en los ecosistemas modernos de modelos fundacionales y de mundo abierto.
Este estudio desarrolló un marco de aprendizaje automático explicable utilizando datos de NHANES 2017–2018 para demostrar que, si bien la edad, la glucosa en ayunas y los antecedentes familiares son los principales predictores de la diabetes tipo 2 en hombres adultos, la inclusión del índice cintura-cadera mejora significativamente la precisión de la predicción del riesgo cuando se excluye la glucosa en ayunas.
Esta revisión sistemática examina las técnicas de aprendizaje profundo ligero para la imagen médica 3D, destacando su capacidad para reducir las demandas computacionales en entornos con recursos limitados, al tiempo que identifica brechas de investigación clave y esboza direcciones futuras para modelos robustos, eficientes y clínicamente integrados.
Este artículo demuestra que, mientras los modelos estándar de aprendizaje automático fallan al detectar ataques no vistos en redes ad hoc móviles debido a su dependencia de distribuciones variables, una característica simple e invariante al protocolo —contar los vecinos de enrutamiento sin tramas decodificadas— logra una detección perfecta de ataques de agujero de gusano al identificar violaciones estructurales en lugar de anomalías estadísticas.
Este estudio propone un algoritmo de aprendizaje de conjunto de tipo Stacking mejorado que utiliza señales de espectroscopia funcional de infrarrojo cercano (fNIRS) para lograr una evaluación altamente precisa, objetiva y cuantitativa de la severidad del tinnitus, superando significativamente a los modelos convencionales y ofreciendo una herramienta prometedora para el diagnóstico clínico.