4092 artículos
Este estudio desarrolla un sistema de aprendizaje automático utilizando un conjunto de datos de fabricación de Thales para predecir la eficiencia de fabricación de tres clases, logrando hasta un 100% de precisión con un clasificador de Gradient Boosting y desplegando la solución a través de un tablero interactivo de Streamlit.
Este estudio piloto demuestra que para modelos de lenguaje de pesos abiertos pequeños (1.2B–9.2B de parámetros) aplicados a tareas médicas y psiquiátricas, la extracción de las probabilidades internas de los tokens es un método significativamente más fiable para la detección de errores que confiar en la confianza expresada verbalmente por los modelos, particularmente para los modelos más pequeños donde la confianza verbalizada se desempeña a niveles de azar.
Este artículo presenta HRT-LI, un índice aprendido dinámico certificado para claves de cadenas jerárquicas que mantiene garantías estrictas de error de rango mediante el acoplamiento de un modelo predictivo congelado con un mecanismo de corrección basado en un libro contable, validado a través de extensos experimentos en cientos de millones de cadenas del mundo real.
Este estudio de viñetas sintéticas demuestra que, si bien añadir una instrucción de primado de seguridad a los modelos de lenguaje pequeños de pesos abiertos puede reducir significativamente la omisión de factores de riesgo críticos en la síntesis de notas psiquiátricas para algunos modelos, a menudo crea un compromiso al aumentar la omisión de detalles clínicos rutinarios, lo que sugiere que tales intervenciones de seguridad deben validarse por modelo en lugar de asumirse como universalmente efectivas.
Este estudio presenta un tablero de control interactivo de Streamlit totalmente desplegado que utiliza un clasificador XGBoost entrenado con 180.519 registros logísticos de DataCo Global para predecir riesgos de entrega tardía con un 79,89% de precisión, permitiendo decisiones operativas proactivas en el envío, el monitoreo regional y la comunicación con el cliente.
Este artículo presenta xLaDe, un marco de ecosistema para Lean 4 diseñado para asegurar la reproducibilidad y sostenibilidad a largo plazo de las matemáticas formalizadas mediante el registro de metadatos de la cadena de herramientas y la gestión de entornos experimentales sin modificar el código fuente, abordando así los desafíos planteados por la rápida evolución del lenguaje.
Este artículo demuestra que reemplazar la confianza verbalizada con una política de abstención de probabilidad de token emparejada con un presupuesto elimina causalmente un efecto específico que degrada la precisión observado en el modelo llama3.2:1b, pero no logra generalizar este beneficio a otros modelos pequeños de pesos abiertos, lo que indica que tales correcciones son específicas del modelo y que la abstención de presupuesto fijo puede seguir siendo netamente perjudicial incluso con un mejor direccionamiento.
Este estudio propone un marco de Gemelo Digital explicable que integra el aprendizaje automático, la simulación contrafactual y la optimización consciente de los costos para modelar la dinámica de la pobreza multidimensional en la comunidad semiurbana de Isolu, en Nigeria, demostrando que las intervenciones de políticas múltiples dirigidas y específicas por conglomerados son más efectivas que las redes de seguridad uniformes para una gobernanza inteligente de la pobreza.
Este artículo presenta un marco de pruebas multimodal que desacopla la percepción del control mediante la conversión de entradas fotorrealistas en dibujos de líneas abstractos y mapas semánticos, validado a través de un nuevo simulador abierto que une la fidelidad de nivel de entrenamiento rápido con una rigurosa emulación de firmware a nivel de registro para exponer defectos invisibles para la simulación estándar.
Este artículo propone un modelo de Filtrado Colaborativo Híbrido Adaptativo (AHCF, por sus siglas en inglés) que integra la factorización de matrices y el modelado de temas fuera de línea con un mecanismo de agrupamiento adaptativo en línea para reducir significativamente el tiempo de reentrenamiento manteniendo, al mismo tiempo, una precisión de predicción competitiva para sistemas de recomendación a gran escala y en tiempo real.