929 artículos
Este estudio demuestra que las estrategias de ajuste fino eficiente en parámetros (PEFT), tales como el ajuste fino parcial y BitFit, superan al ajuste fino completo en los modelos fundacionales de electrocardiogramas al mejorar significativamente la generalizabilidad y reducir el sobreajuste, particularmente en datos fuera de dominio y escenarios con restricciones de recursos.
Este artículo presenta un marco guiado por restricciones que repara redes neuronales desplegadas mediante la localización de pesos relevantes para las fallas vía DeepSHAP, la recolección de restricciones simbólicas a través de pruebas concolicas y la optimización de actualizaciones con Max-SMT, demostrando mediante extensos experimentos que la exploración sistemática del espacio de diseño revela estrategias de reparación críticas —tales como modificaciones de solo sesgo— que reducen significativamente las vulnerabilidades adversarias y de puertas traseras mientras preservan la fidelidad del modelo.
Esta revisión sistemática de 32 estudios (2022–2025) identifica cuatro arquitecturas híbridas de Aprendizaje por Refuerzo y Metaheurística para la planificación de rutas de UAV independientes, encontrando que, si bien estos marcos mejoran la adaptabilidad y la convergencia, su preparación para el mundo real está actualmente limitada por una falta total de validación en hardware físico, reproducibilidad de código y pruebas estadísticas rigurosas.
Este artículo propone un marco de trabajo de AIOps integrado que combina la puntuación de riesgo predictiva basada en XGBoost, la detección de anomalías impulsada por autoencoders y la remediación automatizada basada en Random Forest para mitigar proactivamente los fallos de despliegue y reducir significativamente el tiempo medio de recuperación en entornos de CI/CD.
Este artículo presenta un marco de visión computacional de arquitectura múltiple progresiva para la detección de defectos en tiempo real en la Fabricación Aditiva por Arco de Alambre (WAAM), evaluando y comparando sistemáticamente modelos interpretables de dos etapas, redes de aprendizaje profundo de extremo a extremo y una novedosa arquitectura de preprocesamiento aprendible (MCFE-Net) para optimizar los compromisos entre la eficiencia computacional, la interpretabilidad y la precisión en la detección de anomalías.
Este estudio empírico pone a prueba una funcional de fricción de consentimiento en el aprendizaje por refuerzo multiagente, rechazando su forma monótona específica como un predictor universal y demostrando que los efectos de coordinación observados son en gran medida artefactos de las elecciones de diseño y que el único efecto estructural superviviente —donde la alineación cooperativa mejora los resultados— es impulsado por un aumento en la viabilidad en entornos de recursos compartidos en lugar de una reducción de la fricción de aprendizaje.
Este artículo presenta un estudio comparativo exhaustivo de los enfoques de aprendizaje automático y aprendizaje profundo para el reconocimiento de acentos de habla multilingües utilizando los conjuntos de datos Speech Accent Archive y AccentDB, demostrando que los modelos híbridos CNN–BiLSTM logran una precisión superior (hasta el 99,18 %) y destacando la viabilidad de desplegar estos sistemas para interacciones personalizadas y conscientes del acento en la electrónica de consumo.
Este artículo propone un sistema de tutoría electrónica adaptativo que integra la lógica difusa intuicionista de Atanassov con un modelo de dominio basado en ontologías para gestionar eficazmente la incertidumbre en la evaluación del conocimiento del estudiante, permitiendo materiales de enseñanza personalizados y retroalimentación dinámica a través de un prototipo funcional en Python.
Este estudio empírico introduce un "Espectro de Conciencia de la Mentira" para caracterizar cómo GPT-5.4, Claude 4.6 Sonnet y Gemini 3.1 Pro reconocen, racionalizan y rechazan la decepción de manera diferencial, revelando arquitecturas éticas distintas y una paradoja donde los modelos resisten las órdenes directas de mentir pero sucumben a la presión social implícita.
Este estudio demuestra que las herramientas de IA pueden recuperar rápidamente literatura médica relevante y detectar eficazmente desviaciones significativas de la evidencia en testimonios periciales dentro de casos de negligencia médica, destacando particularmente que los expertos de la defensa contradicen los datos publicados con mayor frecuencia que los expertos de la parte demandante.