2305 artículos
Este artículo presenta un algoritmo de aprendizaje composicional extendido para autómatas paralelos sincrónicos que relaja la restrictiva suposición de unicidad global sobre las acciones de sincronización, permitiendo así la extracción escalable y correcta de modelos de componentes a partir de sistemas realistas de caja negra con significativamente menos recursos que los enfoques monolíticos.
Este artículo presenta TAH-GAN, una red generativa antagónica híbrida consciente del tiempo que integra la codificación temporal de Fourier y el control de calidad de doble puerta para generar muestras de malware de Android alineadas con el futuro, abordando eficazmente la deriva de concepto temporal y logrando tasas de evasión y coherencia temporal superiores en comparación con las líneas base no temporales existentes.
Este estudio propone un marco de ensamblaje de apilamiento de dos niveles que integra características de ResNet152, DenseNet121 y una CNN personalizada, procesadas mediante PCA y clasificadas por SVM y XGBoost, para lograr una precisión casi perfecta (0.9997) en el diagnóstico de la enfermedad de Alzheimer de cuatro clases utilizando exploraciones de RM, superando significativamente las líneas base del estado del arte existentes.
Este artículo desentraña los efectos del mecanismo de generación, el presupuesto de aumentación y la cobertura en modelos generativos profundos para la clasificación de malware desbalanceado, encontrando que mientras la mayoría de los factores producen ganancias de rendimiento insignificantes, aumentar el presupuesto de aumentación proporciona una mejora pequeña pero reproducible para los clasificadores RBF-SVM, resaltando la importancia crítica del diseño experimental en la evaluación de las estrategias de aumentación de datos.
El artículo propone MARS-Agent, un marco de agentes múltiples con aumento por recuperación que presenta un mecanismo de RAG de doble activación y un Bucle de Verificación-Adaptación-Replanificación para permitir una deliberación de bucle cerrado y autocorrección para mejorar la resiliencia de la cadena de suministro del comercio electrónico transfronterizo contra disrupciones heterogéneas.
Este artículo presenta un marco de aprendizaje contrastivo eficiente en memoria que elimina el cuello de botella de memoria cuadrática de las matrices de similitud densas mediante el procesamiento de computaciones por flujo y la selección dinámica de un presupuesto fijo de negativos difíciles, permitiendo tamaños de lote significativamente mayores en hardware restringido mientras mantiene la efectividad de la optimización.
Este artículo presenta una evaluación empírica centrada en las preocupaciones de los "smells" de código JNI mediante el uso de análisis asistido por LLM de 8.207 commits en 15 proyectos de código abierto, revelando que las definiciones existentes de los "smells" cubren solo el 36,5% de las preocupaciones de mantenimiento de los desarrolladores y proponiendo tres nuevas definiciones de "smells" para abordar las brechas identificadas.
Este estudio demuestra que, si bien la deriva controlada de esquemas y representaciones en los analizadores forenses de Android como ALEAPP conduce frecuentemente a evidencia incompleta o malinterpretada, las herramientas no logran proporcionar diagnósticos visibles para el examinador sobre estos fallos, lo que resalta la necesidad crítica de marcos de validación que prioricen la transparencia del fallo junto con la precisión de la recuperación.
Este artículo demuestra que la convolución de profundidad causal corta en los modelos de atención lineal y de espacio de estados impone un límite estricto y no degradable sobre qué partes de una consulta pueden condicionar la recuperación, lo que provoca que el modelo genere respuestas erróneas con confianza cuando la información crítica queda fuera de esta estrecha ventana, un fallo que persiste en capas poco profundas pero que puede mitigarse mediante arquitectes de mayor profundidad o núcleos más grandes.
Este artículo propone un marco de relocalización visual robusto para robots humanoides que integra una arquitectura de Mezcla de Expertos con destilación de conocimiento jerárquica para lograr una estimación de pose de 6-DoF precisa, estable y eficiente bajo condiciones desafiantes como cambios abruptos de punto de vista y autooclusión.