2305 artículos
Este artículo propone SATrans, un novedoso marco temporal basado en la atención que aprovecha señales fisiológicas multimodales y el etiquetado dinámico impulsado por PAD para lograr una clasificación de la severidad de la depresión altamente precisa, robusta y escalable en tiempo real a través de diversas resoluciones temporales.
Este artículo propone un nuevo modelo de Densidad Adaptativa basado en la Matriz de Motivos (NDAMM) que aprovecha la fusión de características espaciales multiescala y la agrupación temporal piramidal dilatada para lograr una detección automatizada, precisa, interpretable y eficiente de contracciones auriculares y ventriculares prematuras, superando los métodos existentes en bases de datos públicas.
Este artículo propone y evalúa una política ligera basada en sondeo para la clasificación selectiva en tareas tabulares de OpenML que elige dinámicamente entre predicciones puras, escalado de temperatura y calibración de Dirichlet, demostrando que tal selección condicional mejora tanto la precisión de la probabilidad como la calidad de la abstención en comparación con la calibración universal o la ausencia de calibración.
Ayurpadaviśleṣikā es una plataforma digital asistida por IA que organiza más de 4.000 entradas medicinales de textos clásicos en sánscrito utilizando el marco ayurvédico de cinco aspectos para abordar la fragmentación del conocimiento y mejorar la accesibilidad para diversos usuarios mediante el procesamiento de lenguaje natural, la visión computacional y la curaduría de expertos.
Este artículo propone un enfoque de aprendizaje automático interpretable y basado en características que utiliza el historial legislativo temporal y estructural, el cual supera significativamente a los modelos de referencia existentes en la predicción de los resultados de aprobación a nivel de proposición en la Cámara de Diputados de Brasil, ofreciendo herramientas prácticas para mejorar el monitoreo legislativo y la transparencia.
Este artículo propone un marco de trabajo trans-dataset que integra atribuciones SHAP filtradas por evidencia con retroalimentación de LLM fundamentada pedagógicamente para generar explicaciones accionables y compatibles con escenarios para la predicción del riesgo estudiantil en diversos contextos educativos, demostrando una mejora en el cumplimiento y la robustez mediante la validación tanto en conjuntos de datos transversales como longitudinales.
El artículo presenta EEG-LM, un modelo fundacional que tiende un puente entre las señales cerebrales y el lenguaje natural al alinear las representaciones de EEG con las incrustaciones de modelos de lenguaje de gran tamaño mediante el aprendizaje contrastivo aumentado por difusión, logrando así un rendimiento de vanguardia, una fuerte generalización y un reconocimiento de emociones interpretable a través de múltiples conjuntos de datos.
Este artículo propone E-GCNet, un marco de aprendizaje profundo híbrido que integra la Normalización Vectorial Adaptativa Min-Max, un Filtro-Envoltorio Ponderado Mejorado para la selección de características y un ensamblaje de votación suave de GoogleNet Mejorada y Redes de Cápsulas para lograr una detección del estado cognitivo altamente precisa y confiable con una precisión del 97,4%.
Esta revisión sistemática, realizada de acuerdo con las directrices PRISMA 2020, evalúa el potencial de diversos algoritmos de aprendizaje profundo para la detección temprana de enfermedades crónicas, al tiempo que destaca las limitaciones actuales, como la escasez de datos y la interpretabilidad, y propone direcciones futuras para desarrollar sistemas de diagnóstico más fiables y clínicamente beneficiosos.
Este estudio presenta un sistema de LLM configurable que utiliza un marco de Unidad Atómica Mínima (MAU, por sus siglas en inglés) que logra una extracción de datos de alta precisión y trazabilidad de la fuente para metanálisis, superando significativamente a los enfoques no descompuestos mientras mantiene una tasa de alucinación insignificante a través de diversos dominios clínicos.