4092 artículos
Este estudio demuestra las significativas ventajas de rendimiento de las GPU NVIDIA RTX 3050 sobre las CPU Intel en el entrenamiento de aprendizaje profundo, revelando una aceleración de 40.6 veces para modelos ResNet50 a gran escala en el conjunto de datos CIFAR-10.
Xender+ es un marco novedoso que mejora la eficiencia de la transmisión de datos de series temporales al reemplazar el reentrenamiento frecuente de modelos en línea con una biblioteca en la nube de modelos preentrenados y agrupados por patrones para su reutilización directa, logrando así una menor latencia de extremo a extremo y una alta precisión de reconstrucción en comparación con los estados del arte de referencia.
Este artículo presenta un marco de evaluación de recursos que utiliza el muestreo temporal adaptativo para evaluar las compensaciones entre eficiencia y precisión en el reconocimiento de acciones en video, demostrando que la arquitectura R(2+1)D-18 reduce significativamente el consumo de energía mientras mantiene un rendimiento estable a través de diversos presupuestos computacionales.
Este estudio propone un marco de aprendizaje profundo multimodal que integra imágenes de radiografías de tórax con metadatos demográficos utilizando una arquitectura de base ConvNeXt Large, logrando un AUC de promedio macro del 96.88% en el conjunto de datos NIH ChestX-ray14 y demostrando un rendimiento e interpretabilidad superiores en comparación con los modelos existentes basados únicamente en imágenes.
Este artículo propone HRDAWNet, un novedoso marco de atención que integra la Atención de Triple Factorización y el Ventaneo Adaptativo Dinámico para lograr una precisión de vanguardia en la clasificación de contracciones auriculares y ventriculares prematuras mediante la captura efectiva de dependencias espacio-temporales complejas y la adaptación a la información contextual dinámica.
Este artículo presenta un estudio de caso de varios semestres que demuestra que reemplazar los entornos de desarrollo PHP tradicionales basados en XAMPP por Docker y DevContainers en las universidades de Baréin reduce el tiempo de configuración de los estudiantes en más del 90 % y disminuye significativamente la carga cognitiva extraña, evitando así que los errores de configuración pongan en peligro todo el curso.
Este artículo propone una heurística basada en aprendizaje para la planificación de rutas dinámicas que integra una red neuronal de grafos sensible a los saltos (HopGNN) con una unidad recurrente de compuerta convolucional (ConvGRU) para capturar eficazmente topologías espaciales multiescala y cambios ambientales temporales, demostrando tasas de éxito y eficiencia de búsqueda superiores sobre métodos existentes como GCN-A*, GAT-A* y D* Lite en entornos de cuadrícula simulados.
Este artículo presenta un punto de referencia multidominio que evalúa cinco modelos de lenguaje de gran tamaño, un léxico basado en reglas y un transformador supervisado frente a anotaciones humanas, revelando que si bien los modelos de primer nivel como Claude Opus 4.7 y GPT-5.5 logran una fuerte alineación con los humanos, persiste un desacuerdo significativo entre los modelos y con las etiquetas humanas —particularmente en textos informales—, demostrando que la selección del modelo impacta materialmente en los resultados de la clasificación de sentimientos.
Este artículo propone un novedoso marco de marca de agua a nivel de AST, agnóstico al modelo, que incrusta firmas criptográficamente verificables en la topología sintáctica del código generado por IA mediante mutaciones estructurales que preservan la semántica, logrando una atribución de procedencia robusta y superando significativamente a los métodos existentes a nivel de texto frente a transformaciones comunes de código como el formateo, el renombrado y la inyección de código muerto.
Esta revisión sistemática de 297 estudios revela que, si bien SHAP y LIME son ampliamente adoptados para la explicabilidad en el aprendizaje automático financiero —particularmente para el modelado de crédito—, sufren una falta crítica de evaluación formal, con solo un 9,1% de los artículos evaluando la calidad de la explicación, lo que resalta una necesidad urgente de estándares de validación y despliegue más sólidos para asegurar el cumplimiento regulatorio y la confianza.