2433 artículos
Este artículo propone un marco de CatBoost distribuido y preservador de la privacidad con agregación ponderada que logra una alta precisión en la predicción de riesgos de ITS y VIH en ocho países sin requerir datos centralizados, ofreciendo así una alternativa robusta a los modelos tradicionales de aprendizaje automático centralizado.
NAE-VC es un marco de codificación de entropía aprendido y modular que reemplaza el motor CABAC estándar en los códecs H.264, H.265 y H.266 con una arquitectura neuronal que combina agregación de contexto, modelado de mezcla gaussiana e hiperprioris para lograr ahorros significativos de tasa de bits manteniendo la compatibilidad total con los estándares de codificación de video existentes.
Este artículo presenta MUNNA, un novedoso marco híbrido de tres etapas que integra una metaheurística GWO-SA para la selección de características, un ensamble de apilamiento ponderado por incertidumbre y un mecanismo de retroalimentación de bucle cerrado basado en SHAP para lograr un rendimiento de vanguardia en el diagnóstico de enfermedades en el conjunto de datos de Breast Cancer Wisconsin, abordando al mismo tiempo las limitaciones en el estancamiento de óptimos locales y la ponderación estática del ensamble.
El artículo presenta DAÏO, un novedoso sistema de detección de caídas basado en visión con capacidad para dispositivos periféricos que combina un estimador de pose ligero, un Filtro de Kalman Extendido adaptativo y un Motor de Lógica de Triple Verificación para lograr una alta especificidad (96.4 %) y reducir significativamente los falsos positivos de actividades diarias y postraciones religiosas, manteniendo al mismo tiempo el rendimiento en tiempo real en hardware de consumo.
STAC-MV es el primer marco de compresión de video multivista basado en transformadores que aprovecha la selección de contexto adaptativa consciente de la geometría y la atención entre vistas para lograr mejoras significativas en la tasa BD sobre los estándares convencionales a través de diversas configuraciones de cámara, reduciendo sustancialmente el tiempo de codificación.
Este artículo propone un proceso de alineación multietapa que combina la extracción de preferencias, el ajuste fino supervisado y la Optimización de Preferencias Directas para mitigar eficazmente el sesgo de popularidad en los recomendadores de películas basados en LLM, logrando una mejora en la novedad y la cobertura del catálogo mientras se mantiene una precisión competitiva.
Para abordar la brecha de generalización en la detección de falsificación de rostros causada por el conflicto entre la semántica de alto nivel transferible y los artefactos locales dispersos, este artículo propone SemFusion, un marco que combina la Regularización de Consistencia Semántica para preservar la estructura transferible de CLIP con el aprendizaje de Evidencia de Parches Multinivel para capturar y fusionar eficazmente las pistas de falsificación localizadas.
Este estudio demuestra que la construcción de conceptos con base clínica mejora los modelos de cuello de botella de conceptos para la clasificación de radiografías de tórax, donde los enfoques supervisados logran un sólido rendimiento comparable a las líneas base sin cuello de botella, mientras que los modelos sin etiquetas ofrecen una alternativa prometedora cuando no se dispone de anotaciones de conceptos.
Este artículo presenta BioGraph-SentiCOVID, un marco de red neuronal de contexto adaptativo calibrado que optimiza la selección del contexto conversacional y los hiperparámetros mediante un algoritmo genético para lograr la clasificación de sentimiento de vanguardia de tweets ruidosos sobre el COVID-19 en Twitter.
Este artículo presenta un estudio comparativo de modelos clásicos, neuronales y de transformadores para la detección de posturas políticas en X durante las elecciones de EE. UU. de 2024, demostrando que, si bien el modelo BERTweet ajustado logra la mayor precisión, los modelos clásicos cuidadosamente diseñados, como los SVM lineales, ofrecen una alternativa altamente competitiva, más eficiente e interpretable para un despliegue escalable.