2403 artículos
Este estudio propone un marco de IA integral para la fabricación farmacéutica que integra el modelado predictivo con la explicabilidad, la equidad, la calibración, el monitoreo de deriva y la trazabilidad regulatoria para asegurar decisiones de gobernanza de calidad auditables y defendibles.
Este estudio demuestra que un modelo de aprendizaje profundo ligero YOLO11n puede lograr una precisión casi perfecta en la clasificación automática de los métodos de procesamiento del pepino de mar seco (salado, ahumado y asado) a partir de imágenes de objetos densos, ofreciendo una alternativa robusta y no destructiva a la inspección manual subjetiva para la clasificación de calidad.
Este artículo propone SGMS-DTDNet, una red de destilación de doble profesor multiescala guiada por semántica que integra semántica específica del dominio, prioridades estructurales y selección adaptativa de características para lograr un rendimiento de vanguardia en la detección unificada de anomalías médicas e industriales al superar desafíos como la escasez de muestras anormales y las morfologías de defectos heterogéneas.
Este estudio demuestra que las estrategias de ajuste fino eficiente en parámetros (PEFT), tales como el ajuste fino parcial y BitFit, superan al ajuste fino completo en los modelos fundacionales de electrocardiogramas al mejorar significativamente la generalizabilidad y reducir el sobreajuste, particularmente en datos fuera de dominio y escenarios con restricciones de recursos.
Este artículo presenta un marco guiado por restricciones que repara redes neuronales desplegadas mediante la localización de pesos relevantes para las fallas vía DeepSHAP, la recolección de restricciones simbólicas a través de pruebas concolicas y la optimización de actualizaciones con Max-SMT, demostrando mediante extensos experimentos que la exploración sistemática del espacio de diseño revela estrategias de reparación críticas —tales como modificaciones de solo sesgo— que reducen significativamente las vulnerabilidades adversarias y de puertas traseras mientras preservan la fidelidad del modelo.
Esta revisión sistemática de 32 estudios (2022–2025) identifica cuatro arquitecturas híbridas de Aprendizaje por Refuerzo y Metaheurística para la planificación de rutas de UAV independientes, encontrando que, si bien estos marcos mejoran la adaptabilidad y la convergencia, su preparación para el mundo real está actualmente limitada por una falta total de validación en hardware físico, reproducibilidad de código y pruebas estadísticas rigurosas.
Este artículo propone un marco de trabajo de AIOps integrado que combina la puntuación de riesgo predictiva basada en XGBoost, la detección de anomalías impulsada por autoencoders y la remediación automatizada basada en Random Forest para mitigar proactivamente los fallos de despliegue y reducir significativamente el tiempo medio de recuperación en entornos de CI/CD.
Este artículo presenta un marco de visión computacional de arquitectura múltiple progresiva para la detección de defectos en tiempo real en la Fabricación Aditiva por Arco de Alambre (WAAM), evaluando y comparando sistemáticamente modelos interpretables de dos etapas, redes de aprendizaje profundo de extremo a extremo y una novedosa arquitectura de preprocesamiento aprendible (MCFE-Net) para optimizar los compromisos entre la eficiencia computacional, la interpretabilidad y la precisión en la detección de anomalías.
Este estudio empírico pone a prueba una funcional de fricción de consentimiento en el aprendizaje por refuerzo multiagente, rechazando su forma monótona específica como un predictor universal y demostrando que los efectos de coordinación observados son en gran medida artefactos de las elecciones de diseño y que el único efecto estructural superviviente —donde la alineación cooperativa mejora los resultados— es impulsado por un aumento en la viabilidad en entornos de recursos compartidos en lugar de una reducción de la fricción de aprendizaje.
Este artículo presenta un estudio comparativo exhaustivo de los enfoques de aprendizaje automático y aprendizaje profundo para el reconocimiento de acentos de habla multilingües utilizando los conjuntos de datos Speech Accent Archive y AccentDB, demostrando que los modelos híbridos CNN–BiLSTM logran una precisión superior (hasta el 99,18 %) y destacando la viabilidad de desplegar estos sistemas para interacciones personalizadas y conscientes del acento en la electrónica de consumo.