2456 artículos
Este artículo presenta "Quantum LEGO Learning", un marco de IA híbrido modular que desacopla un extractor de características clásico congelado de un circuito cuántico variacional entrenable para lograr una optimización estable, resiliencia al ruido y un rendimiento mejorado en hardware NISQ mediante la separación del aprendizaje de representaciones de la adaptación adaptativa.
Edge-XReal es un flujo de trabajo de software distribuido y agnóstico al hardware diseñado para superar las limitaciones computacionales de los dispositivos XR independientes mediante la habilitación de una comprensión de escena holística 3D eficiente y de baja latencia en hardware de borde sin sacrificar la precisión.
Este artículo propone el Alineamiento Dinámico Local Guiado por Atención (ALDA), un método libre de entrenamiento que mejora la clasificación de visión-lenguaje zero-shot mediante el empleo de un muestreo multiescala adaptativo impulsado por la atención para reducir el ruido de fondo y una propagación iterativa bidireccional en un grafo bipartito de región-descripción para modelar correlaciones semánticas mutuas, logrando así mejoras significativas de precisión a través de diversos benchmarks.
Este artículo propone SOAGAN, una red generativa antagónica de atención de segundo orden que integra mecanismos de reidentificación y un discriminador de atención de covarianza basado en U-Net para proporcionar retroalimentación tanto global como a nivel de píxel, mejorando así significativamente la calidad visual subjetiva de los resultados de la superresolución de una sola imagen.
Este artículo propone un marco de aprendizaje profundo híbrido que logra una alta precisión en la detección y clasificación de la gravedad de la anemia mediante la combinación del análisis de imágenes de frotis de eritrocitos basado en DenseNet121 con un modelo de ensamble apilado para el procesamiento de datos de hemograma completo.
Este estudio cuantitativo de estudiantes y profesores de ingeniería en la India revela que, si bien las herramientas de IA generativa como ChatGPT se adoptan cada vez más para mejorar la preparación para la industria, los estudiantes utilizan una gama más limitada de herramientas y reportan niveles de satisfacción más bajos en comparación con sus instructores, lo que destaca una necesidad crítica de mejorar la alfabetización en IA y las estrategias de aprendizaje personalizado en la educación superior.
Este artículo aborda la fragmentación y la falta de comparabilidad en los estudios empíricos sobre la generación de código basada en LLM mediante la síntesis de una revisión de 35 estudios recientes en un marco de referencia integral que comprende seis componentes principales para permitir evaluaciones más sistemáticas, transparentes y reproducibles.
Este artículo propone un marco de aprendizaje profundo híbrido que integra el aprendizaje por transferencia, las redes neuronales convolucionales (CNN) y los mecanismos de atención para superar las limitaciones de los sistemas tradicionales de detección de emociones, logrando una precisión, robustez y adaptabilidad de dominio cruzado superiores para aplicaciones del mundo real de interacción humano-computadora.
Este artículo propone un marco de IA multimodal que integra una Mask R-CNN personalizada para la segmentación de coágulos en Angiotomografía Computarizada de la Arteria Pulmonar (CTPA), un modelo híbrido LSTM-GRU para el análisis de series temporales en la UCI y una red neuronal artificial para la evaluación del riesgo clínico, logrando un coeficiente Dice de 0,88 y una precisión general del 91,81 % para mejorar el diagnóstico de embolia pulmonar y la predicción del riesgo del paciente.
El artículo propone UAMG-RAG, un marco que ajusta dinámicamente la profundidad de recuperación y la granularidad de los documentos basándose en la complejidad de la pregunta y emplea la re-recuperación guiada por la incertidumbre para mejorar el rendimiento del razonamiento y reducir las alucinaciones, logrando mejoras significativas en los bancos de pruebas HotpotQA y WikiHow.