4092 artículos
AutoRE-NS es un marco de aprendizaje por refuerzo neuro-simbólico explicable que mejora significativamente la calidad de los requisitos industriales al integrar el análisis semántico, la validación formal y la optimización de políticas adaptativas para resolver conflictos, eliminar duplicados y mejorar métricas como la completitud y la atomicidad.
Este estudio demuestra que un sistema de computación perimetral en el dispositivo utilizando un Modelo de Visión y Lenguaje (Gemma3-4B) en una Raspberry Pi 5 supera a una línea base de CNN ajustada en más de un 10% en precisión para la detección de desastres en tiempo real, al tiempo que permite la generación de respuestas en lenguaje natural con una eficiencia energética y una independencia de red mejoradas.
Este artículo presenta un estudio comparativo de los Autoencoders Variacionales, las Redes Generativas Antagónicas, las GAN Condicionales y las CycleGAN a través de las tareas de síntesis de firmas, generación de imágenes de animales y traducción de rostro a boceto, destacando sus respectivas métricas de desempeño, fortalezas arquitectónicas y desafíos comunes de entrenamiento.
Este estudio evalúa los modelos Vision Transformer, híbrido CNN–MLP y ResNet-18 con aprendizaje por transferencia en CIFAR-10, encontrando que, si bien el Vision Transformer aprende representaciones significativas, el ResNet-18 con aprendizaje por transferencia logra la mayor precisión (88.7%) debido a las ventajas de los sesgos inductivos convolucionales y el preentrenamiento a gran escala en entornos de datos limitados.
Este estudio propone y valida una arquitectura de cascada de dos etapas ecoeficiente para la detección de fraude en tarjetas de crédito que reduce significativamente los costos computacionales y ambientales, manteniendo al mismo tiempo un rendimiento predictivo competitivo y reduciendo los costos de clasificación errónea en comparación con los modelos independientes.
Este artículo presenta un benchmark controlado sobre los datos CALCE CS2 que muestra que un modelo GRU estándar supera a las arquitecturas avanzadas basadas en Mamba en la predicción de la vida útil remanente de baterías de litio, destacando la importancia crítica de las características informadas por la física como la normalización de la capacidad, al tiempo que señala que los resultados actuales reflejan una evaluación basada en oráculo en lugar de un rendimiento listo para el despliegue.
Este artículo propone un marco de gestión de identidad y acceso (IAM) descentralizado, impulsado por IA y basado en el modelo de Confianza Cero (DAZT-IAM), que integra blockchain permisionada, identidad soberana y biometría multimodal resistente a deepfakes con una puntuación de riesgo continua y adaptativa para eliminar los puntos únicos de falla y contrarrestar ataques de suplantación de identidad sofisticados.
Este artículo presenta Swin-TCN-XAI, un marco de aprendizaje profundo híbrido que integra Swin Transformers y Redes Convolucionales Temporales con técnicas de explicabilidad multinivel para lograr una precisión de vanguardia e interpretabilidad clínica en la clasificación de resonancias magnéticas de tumores cerebrales multiclase.
Este artículo presenta QSecureMail, un sistema de correo electrónico con seguridad cuántica que integra QKD y criptografía post-cuántica dentro de un Motor de Política de Seguridad Adaptativa para gestionar dinámicamente los niveles de cifrado, garantizar la resiliencia contra ataques de tipo "cosechar ahora, descifrar después" y proporcionar una atestación de seguridad transparente.
Este artículo presenta PQ-SEAL, una implementación de RISC-V sobre metal desnudo en una FPGA que integra la criptografía post-cuántica estandarizada por el NIST con un esquema de re-claveo de AES-128 resiliente a fugas, demostrando una mejora de 31 veces en la resistencia contra ataques de Análisis de Potencia por Correlación sin costos de hardware adicionales.