2456 artículos
Este artículo presenta AdapNet-IDS, un marco de aprendizaje profundo autoadaptativo e interpretable que integra BiLSTM, atención selectiva y Consolidación de Peso Elástico para lograr una detección de intrusiones de alta precisión y en tiempo real con capacidades de aprendizaje continuo y toma de decisiones transparente en diversos entornos de red.
Este artículo propone FedMOJO, un marco colaborativo de bucle cerrado que integra el aprendizaje de representaciones de bajo rango, la privacidad diferencial y la optimización de equidad-privacidad para equilibrar eficazmente la utilidad, la equidad de grupo y la preservación de la privacidad en la clasificación de textos federada bajo datos no IID.
Este artículo propone un marco de aprendizaje profundo que utiliza modelos CNN, RNN y LSTM para detectar fallos a nivel de nodo en Redes de Sensores Inalámbricos basados en características temporales, validados mediante métricas de rendimiento y visualizados a través de una interfaz de mapeo de gráficos en tiempo real.
Este estudio propone un marco de aprendizaje automático transferible, explicable y consciente de la incertidumbre para la clasificación de la calidad del agua en regiones con escasez de datos que combina familias de tareas distintas y un modelado robusto para proporcionar una herramienta de apoyo a la decisión cautelosa y reproducible en lugar de un clasificador automático ciego.
Este artículo presenta ILS+SP, una metaheurística híbrida que combina la Búsqueda Local Iterada con la optimización post-particionamiento de Conjuntos, la cual supera significativamente a los métodos de vanguardia existentes en la resolución del Problema de Rutas de Vehículos con Capacidad de Familia al lograr soluciones casi óptimas en instancias de referencia a gran escala.
Este artículo demuestra que los agentes de planificación basados en agrupación enfrentan un techo irreducible y computable en la fundamentación de objetos determinado únicamente por la dimensión del embedding y el recuento de objetos, una limitación estructural que causa la pérdida de identidad independientemente de la capacidad del modelo o del entrenamiento.
Este estudio propone el marco de trabajo de Acción de Sensores Resuelta por Entropía (ESA, por sus siglas en inglés), un método de selección unificado que integra la relevancia de la información, la estabilidad temporal, la no redundancia y la completitud para identificar subconjuntos de sensores compactos e interpretables que mantengan un rendimiento predictivo casi perfecto bajo diversas condiciones de campo y datos faltantes.
Este artículo presenta un simulador de circuitos cuánticos de Estado de Producto de Matriz (MPS) acelerado por FPGA capaz de manejar más de 500 cúbits mediante la descarga de contracciones tensoriales a una Xilinx Alveo U55C mientras mantiene la SVD y el muestreo en el host, demostrando que el rendimiento escala con la dimensión de enlace en lugar con el número de cúbits y validando el papel crítico del sistema a través de rigurosos experimentos de corrección y falsificación.
Este artículo presenta el algoritmo Robust Stochastic Variance-Reduced Virtual Try-On (RSVR-VTO), un marco de optimización robusta distributiva que garantiza un deformación geométrica y una síntesis de textura estables bajo incertidumbres ambientales dinámicas, logrando al mismo tiempo una tasa de convergencia de O(1/ε²) y un rendimiento superior en evaluaciones comparativas de alta resolución.
Este artículo propone una estrategia educativa novedosa que integra Modelos de Lenguaje de Gran Escala y aprendizaje profundo para crear un Muñeco Amigo Virtual Inteligente, permitiendo una evaluación objetiva, continua y personalizada del progreso educativo de niños con Trastorno del Espectro Autista mediante el análisis de datos multimodales.