2403 artículos
Este artículo presenta el Bloque de Convolución Simbiótica (SCB), un módulo ligero y no atento que logra una recalibración y diversificación implícita de características mediante mapas convolucionales fusionados, ofreciendo una alternativa computacionalmente eficiente a los mecanismos de atención para tareas de clasificación de imágenes.
Este estudio propone un marco híbrido que integra un modelo DeBERTa-v3 ajustado finamente, el cual captura eficazmente el sentimiento neutral en las noticias financieras, con indicadores técnicos para mejorar significativamente la precisión de la predicción direccional del índice NIFTY 50 en comparación con las líneas base de solo precio.
Este artículo propone GeoRel-CLIP, un marco de destilación relacional regularizado geométricamente que mejora el reconocimiento zero-shot de CLIP mediante la optimización conjunta de la distribución geométrica global y la estructura relacional local para mitigar las brechas de modalidad y el colapso de la representación durante el post-preentrenamiento.
Este estudio propone un marco de aprendizaje automático explicable y eficiente en etiquetas utilizando CatBoost y aprendizaje semisupervisado para reconocer con precisión las configuraciones de contacto en robots continuos accionados por tendones para cirugía mínimamente invasiva, logrando un alto rendimiento con datos etiquetados limitados e identificando la fuerza normal como una característica crítica para estrategias de control más seguras.
Este artículo presenta un modelo de perfilado impulsado por IA dentro de un entorno de cyber range que evalúa continuamente el desempeño del estudiante para generar retroalimentación automatizada y personalizada y rutas de aprendizaje adaptativas, abordando así desafíos clave en escalabilidad y personalización para la educación en ciberseguridad.
Este artículo propone un front-end semántico ligero y en tiempo real que integra la segmentación de instancias periódica con un flujo de mapeo Gaussiano basado en registro para eliminar eficazmente objetos dinámicos y mejorar la robustez del SLAM RGB-D en entornos dinámicos.
Este estudio presenta LV-YOLO, un marco de aprendizaje profundo de dos etapas que combina MobileNetV3 para el cribado global y un modelo YOLOv11 optimizado con novedosos módulos de atención y sobremuestreo, el cual detecta de manera efectiva y precisa la invasión linfovascular en imágenes de portaobjetos completos de cáncer gástrico para asistir a los patólogos en la estratificación de riesgo clínico.
Este artículo demuestra que un marco no supervisado que aprovecha las características de un modelo fundacional de visión 2D congelado, al aplicarse a representaciones de profundidad canónicas de copas de árboles de LiDAR, organiza las especies de árboles individuales de manera más coherente que tanto los descriptores geométricos diseñados a mano como los modelos fundacionales 3D congelados, mientras controla rigurosamente la confusión por fuente de adquisición para validar la superioridad de las representaciones visuales preentrenadas sobre la geometría 3D nativa en este dominio.
SpectralMLP introduce un novedoso marco de red neuronal de hipergrafos que reemplaza la agregación tradicional con un mecanismo de filtrado espectral de doble frecuencia eficiente y libre de paso de mensajes utilizando bases de polinomios de Jacobi aprendibles, logrando un rendimiento de vanguardia en múltiples evaluaciones comparativas mientras mantiene un recuento de parámetros inferior al de la mayoría de los métodos existentes.
Este estudio presenta un banco de pruebas controlado que compara modelos secuenciales brutos, basados en imágenes (GAF), híbridos y estadísticos para la detección de anomalías en el consumo de electricidad doméstica, encontrando que el modelado temporal directo (Raw 1D-CNN) superó a otros enfoques bajo protocolos de perturbación sintética, al tiempo que enfatiza la necesidad de una interpretación cautelosa debido al alcance de un solo hogar del conjunto de datos y la falta de anotaciones de fallos del mundo real.