2456 artículos
Este artículo demuestra que las instrucciones en lenguaje natural son frágiles ante requisitos operativos ocultos, revelando que mientras el prompting genérico falla al no satisfacer las restricciones omitidas, el rendimiento mejora significativamente cuando dichas restricciones se elicitan y ejecutan explícitamente.
Este artículo presenta un novedoso marco de inteligencia de decisiones aumentado por LLM que integra la cuantificación de riesgos basada en FMEA con el razonamiento contextual de modelos de lenguaje extensos para lograr una evaluación de riesgos de la cadena de suministro en tiempo real, de alta recuperación y estadísticamente significativa, validada tanto por simulaciones parametrizadas como por extensas pruebas empíricas en el conjunto de datos DataCo Smart Supply Chain.
Este artículo introduce un nuevo corpus de contraargumentos diplomáticos procedentes de discursos de la Asamblea General de la ONU (2005–2024) y evalúa modelos de lenguaje de gran tamaño de última generación utilizando estrategias de ajuste fino alineadas temporalmente para establecer un referente sistemático de generalización transdominio en la generación de contraargumentos.
CUPID-Med es un marco novedoso que aprovecha el descubrimiento de prototipos conscientes de la incertidumbre conforme para generar predicciones de clústeres de valores de conjunto clínicamente interpretables con puntuaciones de confianza calibradas, superando significativamente a los modelos deterministas de base en la estructuración de datos de imágenes médicas no etiquetados.
Este estudio propone un marco de aprendizaje profundo de dos capas y basado en la teoría de juegos que es explicable, el cual combina SHAP para la interpretabilidad de las características y el equilibrio de Nash para el análisis de precios competitivos para superar significativamente a los modelos tradicionales en la previsión de la demanda de alquileres a corto plazo.
Este artículo propone un "Estimador de Aprendizaje Inteligente" (SLE, por sus siglas en inglés), un filtro de Kalman aumentado mediante aprendizaje profundo que combina las arquitecturas TGAN, LSTM y RWFNN, el cual mejora significativamente la precisión y la robustez de los sistemas de navegación INS/GNSS de bajo costo durante interrupciones prolongadas de la señal GNSS al superar las limitaciones de los filtros lineales tradicionales.
Este artículo propone TDF-LSTGBM, una novedosa arquitectura híbrida de dos etapas que extrae características temporales de la penúltima capa de un LSTM apilado y las combina con atributos temporales y del consumidor para una Máquina de Potenciación del Gradiente, logrando una precisión significativamente mayor en el pronóstico de la demanda de electricidad de redes inteligentes de granulosidad múltiple en cinco categorías de consumidores en comparación con los modelos tradicionales de LSTM y ARIMA.
GraphGarment es un marco de trabajo de sim-to-real eficiente en datos que combina una red neuronal de grafos entrenada en simulación con un corrector residual ligero para predecir con precisión la dinámica de las prendas a partir de datos mínimos del mundo real, permitiendo el colgado de prendas robótico robusto.
Este estudio presenta un marco de aprendizaje profundo unificado y explicable que integra la clasificación de microestructuras basada en ResNet50 y la detección de defectos superficiales basada en YOLOv8 con una estimación de severidad basada en reglas para permitir un control de calidad robusto, interpretable y automatizado para la fabricación de acero.
Este artículo propone un método de simulación a nivel de hilo que aprovecha los patrones de tejido para calcular la difusión de calor direccional y los gradientes de encogimiento, generando así con precisión comportamientos complejos de pandeo térmico, torsión y arrugas no uniformes en telas que los modelos tradicionales a nivel de superficie no logran capturar.