4157 artículos
Este artículo propone un marco continuo y de final abierto que aprende a programar las actividades de pensamiento de los robots autónomos basándose en datos históricos y el contexto ambiental, mejorando significativamente las tasas de éxito en las tareas y la generalización entre tareas, al tiempo que reduce las llamadas redundantes a LLM y las violaciones operativas.
Este artículo demuestra que los saltos agudos "emergentes" en la precisión de coincidencia exacta observados en la suma de enteros de múltiples dígitos no son discontinuidades genuinas en la capacidad del modelo, sino que son, en cambio, artefactos totalmente previsibles resultantes de mejoras suaves de ley de potencia en la precisión por token, combinadas con la no linealidad de requerir que todos los dígitos sean correctos.
Este artículo introduce la métrica de alineación de gradiente entre expertos (Γ) para demostrar que el entrenamiento estándar de Mezcla de Expertos, particularmente en Mixtral 8×7B, está fundamentalmente impulsado por una competencia estructural de suma cero causada por los efectos negativos combinados del acoplamiento de softmax y la normalización top-k, lo cual crea un atractor de alineación negativa persistente que solo puede superarse eliminando estas restricciones arquitectónicas específicas.
Este artículo propone un nuevo modelo de detección de comunidades que aprovecha el Algoritmo de Optimización de la Nutcracker de Skellam (S-NOA) y una Unidad de Macro Descarte Espacial de Atención SwishSERF (S2ASD-MUNet) para analizar eficazmente las dependencias inter e intra-capa, logrando una puntuación de modularidad de 0.962.
Este artículo presenta MESH4ID, un flujo de trabajo de realidad virtual centrado en el visor construido sobre Unity/OpenXR que permite a los usuarios capturar, gestionar y reconstruir entornos interiores mediante la congelación de transmisiones de LiDAR en vivo en instantáneas rastreables para la inspección interactiva y la generación de mallas bajo demanda dentro de un entorno de RV inmersivo.
El artículo propone SMPD, un novedoso marco de meta-aprendizaje auto-supervisado que aprovecha datos temporales multimodales y pre-entrenamiento contrastivo para predecir compromisos de dispositivos IoT con 24–48 horas de antelación con alta precisión y adaptabilidad de pocos disparos (few-shot), superando significativamente a los modelos base de detección de intrusiones existentes en entornos con recursos limitados.
Este artículo presenta GRADV, un flujo de trabajo de análisis de señales reproducible que descubre y evalúa patrones de audio de clases objetivo en modelos de detección de palabras clave mediante la optimización de formas de onda y la realización de análisis a nivel de segmento, logrando altas tasas de éxito sin proponer nuevas arquitecturas de reconocimiento de voz.
Este artículo propone un esquema de Pydantic y un modelo de lenguaje pequeño de pocos disparos (few-shot) como línea base para extraer la trazabilidad de cambios de ingeniería a partir de órdenes de trabajo de CNC heredadas, fragmentadas, bilingües y truncadas, demostrando una alta validez de esquema al tiempo que revela que los pre-prompts contextualizados degradan el rendimiento y que los filtros deterministas posteriores mejoran la precisión sin afectar la exhaustividad.
OptiVerse AI es un sistema de aprendizaje profundo explicable que utiliza EfficientNetB7 y Grad-CAM para clasificar la retinopatía diabética y reconstruir estructuras retinianas en 3D a partir de imágenes de fondo de ojo estándar, logrando más del 95% de precisión para mejorar la detección temprana de enfermedades y la toma de decisiones clínicas.
Este artículo presenta RECON, una arquitectura multiagente neurosimbólica que combina reglas deterministas, detección difusa y razonamiento de LLM con un sistema de recetas impulsado por YAML y auditoría a prueba de manipulaciones para ofrecer revisiones de cumplimiento de documentos reproducibles, defendibles y con fusión de evidencia a través de repositorios empresariales heterogéneos.