2456 artículos
Este artículo identifica y analiza la vulnerabilidad CVE-2026-0628, una escalada de privilegios crítica en el panel lateral de Gemini Live AI de Google Chrome que permite a las extensiones con permisos básicos acceder a recursos sensibles a nivel del navegador, revelando que el 73.9% de las extensiones analizadas poseen los permisos necesarios para explotar este vacío de seguridad.
Este estudio demuestra que el uso de modelos de lenguaje extensos como asistentes editoriales para refinar las respuestas escritas de los médicos, en lugar de como generadores autónomos, mejora significativamente la empatía percibida al tiempo que preserva la precisión fáctica, respaldado por métricas cuantitativas novedosas para evaluar tanto el tono emocional como la precisión médica.
El artículo presenta GRACE, un novedoso marco de trabajo basado en modelos de lenguaje de gran tamaño que refina iterativamente hipótesis y evidencia para descubrir automáticamente el número óptimo de subgrupos clínicos en datos heterogéneos y multimodales sin requerir la especificación previa de recuentos de clústeres, tal como se validó en cohortes de Long COVID y la enfermedad de Parkinson.
Esta encuesta sistematiza el fragmentado panorama de la investigación autónoma mediante la introducción de un marco multi-eje para 56 sistemas y la fiabilidad de su evidencia, revelando una brecha crítica entre la capacidad de generar artefactos de investigación y la falta de mecanismos de verificación robustos para defenderlos antes de su publicación.
Este artículo presenta MOGA-NAS, un algoritmo evolutivo multiobjetivo que equilibra eficazmente el rendimiento predictivo y la compacidad del modelo para la clasificación de tablas clínicas al maximizar simultáneamente las puntuaciones F1 y minimizar el recuento de parámetros, lo que resulta en modelos significativamente más pequeños con una precisión superior o comparable a través de cinco referentes públicos.
Este artículo propone un esquema de seguridad de aprendizaje federado que combina el cifrado homomórfico de umbral de Paillier con un mecanismo de descifrado selectivo basado en la calidad de los datos y firmas ECDSA para defender eficazmente contra ataques de inferencia y manipulación, mejorando al mismo tiempo la eficiencia del entrenamiento en aproximadamente un 10%.
Este artículo presenta un marco de aprendizaje profundo híbrido que integra capas de CNN, Transformer y BiLSTM con fusión de características múltiples para lograr un rendimiento de vanguardia en el reconocimiento de emociones en el habla a través de cinco conjuntos de datos de referencia, demostrando una generalización robusta y mejoras significativas de precisión sobre las líneas base existentes.
Este estudio propone el Marco de Trabajo StackPip, un enfoque de aprendizaje de conjunto híbrido que utiliza un Clasificador de Apilamiento (Stacking Classifier) en el conjunto de datos SDSS DR-17, el cual logró una precisión del 98% en la clasificación de objetos celestes en galaxias, estrellas y cuásares, superando a varios modelos de aprendizaje automático individuales.
El artículo propone BayesMem-CD, un marco basado en memoria bayesiana que integra la inferencia probabilística con la regularización temporal para lograr una detección de comunidades dinámica consciente de la incertidumbre, equilibrando eficazmente la estabilidad frente al ruido con la sensibilidad ante cambios estructurales genuinos.
El artículo presenta AraCoT-Agent, un marco que destila capacidades de razonamiento estructurado en modelos árabes utilizando un conjunto de datos filtrado y de alta calidad (AraCoT) y un objetivo de entrenamiento ponderado por recompensa, logrando una mejora relativa del 55,7% en el nuevo AraAgent-Bench y reduciendo significativamente la brecha de razonamiento entre los LLM en árabe e inglés.