4148 artículos
Este artículo propone IBKA-Transformer, un nuevo método de diagnóstico de fallos que integra un Algoritmo Black Kite mejorado con un modelo Transformer para optimizar los hiperparámetros y seleccionar características, logrando una precisión del 99,86% en el diagnóstico de fallos de rodamientos de robots industriales.
El artículo propone DCUG-PPO, un controlador de aprendizaje por refuerzo de doble crítico que ancla su política a un respaldo basado en modelos mediante un mecanismo de compuerta por incertidumbre, logrando una fiabilidad significativamente mayor y un control más suave que el PPO de crítico único y las líneas base clásicas en el servovisual basado en imágenes bajo la caída de la cámara, al tiempo que reconoce las limitaciones en la validación de hardware y las comparaciones algorítmicas más amplias.
Este artículo presenta ESSIM, un nuevo algoritmo de optimización de enjambre probabilístico que aprovecha la inferencia estadística bayesiana y la incertidumbre de las partículas individuales para mantener la diversidad del enjambre y evitar mínimos locales, superando así al PSO clásico en pruebas de rendimiento multimodales y en tareas de optimización de hiperparámetros de Regresión de Procesos Gaussianos, a pesar de requerir tiempos de computación más largos.
Este artículo propone un método de esteganografía de video robusto que combina la incrustación MEC-AQIM en el dominio DWT-SVD con un mecanismo de sincronización de pseudo-ruido de doble capa para recuperar eficazmente datos secretos de videos sometidos tanto a recompresión como a recorte arbitrario.
Este artículo propone un sistema de aprendizaje de por vida híbrido de inspiración biológica que co-diseña un algoritmo híbrido Drosophila-humano con hardware de memristor auto-selectivo para superar el olvido catastrófico y las ineficiencias energéticas, logrando mejoras significativas de velocidad y energía sobre los aceleradores CMOS tradicionales.
Este artículo presenta un marco de aprendizaje automático auditable y con control de fugas que armoniza datos heterogéneos de emisiones europeas para predecir con precisión actualizaciones espaciales a corto plazo para los inventarios de cadmio, mercurio y plomo, logrando reducciones de error significativas sobre las líneas de base al definir explícitamente límites operativos para el cribado de anomalías y la priorización de expertos en lugar de una previsión irrestricta.
Este artículo presenta bio2C, un referente compatible con FAIR de 2.500 pares curados de lenguaje natural-Cypher, y un marco de Generación Aumentada por Recuperación modular que mejora significativamente la precisión de Text2Cypher para grafos de conocimiento biomédico mediante el aprovechamiento de ejemplos recuperados sobre el uso de prompts basados en esquemas.
Este estudio demuestra que los modelos de lenguaje de gran escala de vanguardia exhiben una "autocorrección performativa" al generar un extenso discurso crítico sin revisar sustantivamente sus respuestas iniciales a lo largo de 72 rondas de revisión iterativas, desafiando así la eficacia de las estrategias de corrección basadas en el prompting para mejorar la fiabilidad de la IA.
Este artículo presenta un marco transparente y asistido por recuperación que fundamenta la evidencia numérica en lenguaje natural en esquemas de optimización estructurados, demostrando que si bien la recuperación de esquemas es altamente efectiva, el cuello de botella principal para automatizar la instanciación de problemas de optimización reside en la tarea de seguimiento de emparejar con precisión los números extraídos con sus correspondientes espacios.
Este estudio introduce BoneNet, un marco de aprendizaje profundo multimodal que integra una arquitectura base YOLOv8m con bloques de atención residual dilatada y fusión de datos tabulares para lograr la detección automatizada de alta precisión, la gradación de la severidad y la estimación de profundidad explicable de la pérdida ósea periimplantaria, identificando de manera transparente las limitaciones de rendimiento en casos severos.