2456 artículos
Este artículo propone ICATS, un marco de Programación de Pensamiento Autónomo Centrado en Problemas que permite a los robots en entornos dinámicos priorizar el procesamiento cognitivo interno al tratar diversos factores, como tareas inacabadas y riesgos emergentes, como problemas dinámicos, superando así a los métodos tradicionales de línea base fija en recompensa ponderada y detección de estado.
Este artículo presenta un tablero de soporte de decisiones interactivo para el Sistema UAC Care, desarrollado utilizando Python, Streamlit, SQLite y Power BI, el cual integra el monitoreo en tiempo real, la analítica predictiva y la planificación de escenarios para mejorar la visibilidad operativa y la toma de decisiones basada en evidencia para los gestores de atención del sector público.
Este artículo propone RL-Trust RPL, un marco de confianza adaptativo basado en aprendizaje por refuerzo que mitiga los ataques de sumidero (sinkhole) en redes RPL de multicast mediante el monitoreo de comportamientos de los nodos, como la entrega de paquetes y el consumo de energía, para detectar e aislar nodos maliciosos, mejorando así la seguridad del enrutamiento y el rendimiento de la red.
Este artículo propone un marco híbrido de Algoritmo Genético y Aprendizaje Profundo que integra un modelo ResNet ligero con un esquema de optimización personalizado impulsado por GA para permitir una selección de cabezales de clúster rápida y con eficiencia energética en Redes de Sensores Inalámbricos Recargables, retrasando así significativamente la Muerte del Primer Nodo y logrando un rendimiento casi en tiempo real sin la sobrecarga iterativa de los métodos heurísticos tradicionales.
Este estudio propone un marco escalable impulsado por grandes datos que utiliza un Transformador Paralelo Espacio-Temporal (STPT) y técnicas de agrupamiento para predecir con precisión los accidentes de tráfico y las fatalidades en Bangkok, permitiendo así intervenciones de políticas basadas en evidencia para mejorar la seguridad vial urbana.
Este artículo propone PHUE, un método de ensamble de submuestreo progresivo consciente de la dificultad que selecciona dinámicamente muestras críticas de la clase mayoritaria cerca del límite de decisión y emplea una integración ponderada de métricas múltiples para superar significativamente a los algoritmos existentes en la clasificación de datos desbalanceados.
Este artículo propone el marco de trabajo de Razonamiento Geométrico Progresivo Guiado por Momentos (MPGR), el cual aborda la estimación robusta de la pose 6D bajo oclusión severa mediante la reformulación de la tarea como un problema de inferencia consciente de la distribución que utiliza el modelado estadístico de alto orden para reparar estructuras geométricas fragmentadas y mejorar la consistencia de las características.
Este artículo propone un marco basado en redes neuronales de grafos que modela los deportes de equipo como grafos heterogéneos dinámicos para predecir la eficiencia ofensiva y las formaciones defensivas, optimizando al mismo tiempo las estrategias tácticas mediante el aprendizaje por refuerzo de grafos y el razonamiento contrafáctico, demostrando un rendimiento superior sobre las líneas de base existentes en conjuntos de datos de la UEFA Champions League y la NBA.
Este artículo evalúa los modelos YOLOv11 y EfficientNetV2M en el conjunto de datos desequilibrado HAM10000 para la clasificación de tumores cutáneos, demostrando que YOLOv11 logra una sensibilidad superior (86,5 %) para el cribado de alta sensibilidad, mientras que EfficientNetV2M combinado con un clasificador SVM ofrece una especificidad más alta (96,8 %) para un triaje preciso.
Este artículo propone un marco híbrido cuántico-clásico integral que comprende cinco modelos especializados (QAFEN-CNN, VQTM-LSTM, QGCL-Net, QVAE-DD y QMRL-XAI) que colectivamente mejoran la precisión de la detección de fraude financiero, la adaptabilidad a ecosistemas dinámicos y la explicabilidad regulatoria mediante técnicas avanzadas de entrelazamiento de características cuánticas, construcción de grafos y meta-aprendizaje por refuerzo.