4092 artículos
Este estudio propone un modelo de Memoria a Largo Corto Plazo Bidireccional (BiLSTM) mejorado con Atención de Múltiples Cabezales (MHA) para abordar las limitaciones en la Traducción Automática Neuronal, demostrando un rendimiento superior en la precisión de alineación y en las puntuaciones BLEU y METEOR en comparación con los métodos existentes.
Este estudio introduce MAL-BAYES-III, un marco de Bayes parcial que aplica el Monte Carlo Hamiltoniano exclusivamente a una cabeza de clasificación compacta para generar probabilidades calibradas y conscientes de la incertidumbre para la detección de malware ofuscado en forense de memoria, ofreciendo valor diagnóstico y capacidades de revisión selectiva a pesar de no superar al potenciación de gradiente tradicional en precisión bruta.
Este estudio introduce un marco de Autoencoder de Redes de Atención de Grafos (GAT-AE) no supervisado que fusiona datos geoespaciales de múltiples fuentes con la topología de la red de calles para modelar la centralidad urbana funcional dinámica, demostrando una coherencia espacial superior y la capacidad de identificar fenómenos urbanos no lineales complejos en comparación con los métodos lineales tradicionales.
Este artículo demuestra que, si bien la asignación de razonamiento consciente del resultado es teóricamente valiosa, su implementación práctica en sistemas multirobot está severamente limitada por la escasez intrínseca de oportunidades de alto valor, lo que conduce al colapso del clasificador en los enrutadores aprendidos y falla en producir una verdadera cognición colectiva emergente mediante la delegación o la especialización.
Este artículo propone un Algoritmo Competitivo Imperialista híbrido de dos capas combinado con búsqueda local para optimizar simultáneamente las asignaciones de cliente a depósito y las rutas de vehículos para el Problema de Enrutamiento de Vehículos de Múltiples Depósitos, logrando resultados competitivos con brechas de aproximadamente el 2% en los estándares de referencia.
Este artículo demuestra empíricamente que la poda de canales mejora la detección de peatones robusta al ruido solo en regímenes de alta redundancia y pocos datos al actuar como un regularizador, mientras que falla al generalizarse a través de diversos conjuntos de datos y ofrece solo ahorros computacionales modestos.
Este artículo propone un marco de aprendizaje profundo híbrido CNN–GRU mejorado por la selección de características mRMR para detectar eficazmente el trastorno depresivo mayor a partir de señales de EEG, logrando una precisión media del 96,74 % en el conjunto de datos MODMA, al tiempo que destaca la necesidad de una validación adicional en datos clínicos diversos.
Este artículo presenta el Seguimiento de Circuitos Mecanicistas, un marco modular que combina la atribución directa de logits, el parcheo de activación causal y técnicas de ablación para rastrear la emergencia de circuitos de atención durante el preentrenamiento y cuantificar su robustez causal mediante un nuevo Índice de Estabilidad de Circuitos para mejorar la seguridad y el alineamiento de la IA.
Este estudio evalúa 14 modelos de lenguaje de gran tamaño en la detección de vulnerabilidades en contratos inteligentes, revelando que la selección del modelo es más crítica que las estrategias de prompting o el aumento de la computación en el tiempo de inferencia, dado que los modelos frontera más grandes demuestran una fiabilidad superior mientras que los modelos más pequeños y las técnicas de razonamiento extendido pueden degradar el rendimiento.
Este artículo presenta Perceive AI, un novedoso marco de extremo a extremo para la calificación automatizada de respuestas cortas que aprovecha una arquitectura de prototipo paramétrico de doble cabeza y salvaguardas de consistencia adversarial para lograr una puntuación robusta y sensible a los prompts, filtrando eficazmente las entregas fuera de tema.