4157 artículos
Este artículo presenta DTap, la primera plataforma de red teaming controlable e interactiva para agentes de IA, que incluye un agente de red teaming autónomo (DTap-Red) y un benchmark a gran escala (DTap-Bench) para evaluar y exponer sistemáticamente las vulnerabilidades de seguridad en 14 dominios del mundo real.
Este artículo presenta un marco escalable para la operacionalización de la IA confiable en la atención médica mediante el uso de un Árbol de Decisión de Análisis de Errores e innovaciones metodológicas novedosas para descubrir fallos en subgrupos ocultos y mitigar el sesgo, traduciendo así los principios abstractos de equidad en objetivos de ingeniería verificables que aseguren el cumplimiento de regulaciones como la Ley de IA de la UE.
Esta revisión sistemática de 154 estudios (2021–2025) revela que, si bien la IA para la seguridad de IoT/IIoT se centra intensamente en la detección de intrusiones, la investigación actual carece de validez operativa debido a la escasez de etiquetas y las limitaciones de recursos, lo que requiere un cambio hacia protocolos de despliegue estandarizados, conscientes del deriva y explicables.
Este artículo presenta el método de Anotación de Elementos de Proceso por Descomposición–Recomposición con Conciencia de Restricciones (DR-PEA, por sus siglas en inglés) para mitigar el Colapso Semántico de Procesos en modelos de lenguaje de gran tamaño mediante la transformación de texto de procesos no estructurado en datos estructurados estandarizados a través de un flujo de trabajo de tres etapas de descomposición semántica, recomposición de procesos y mapeo de restricciones, logrando un rendimiento superior sobre las líneas base existentes.
Este estudio compara la precisión de clasificación y la estabilidad de la explicabilidad de los modelos DenseNet121 y Vision Transformer en imágenes de histopatología mamaria, revelando un compromiso crítico donde DenseNet121 logra una mayor precisión y explicaciones localizadas, mientras que el Vision Transformer demuestra una mayor robustez de las explicaciones ante perturbaciones de la entrada.
Este estudio presenta un marco de aprendizaje profundo de tres fases que combina la predicción del pH basada en LSTM con el control mediante Aprendizaje por Refuerzo Profundo, validado con perfiles de suelos africanos utilizando datos sintéticos, para proporcionar una solución escalable y transferible para optimizar la recuperación de minas en regiones de la Subregión de África subsahariana con escasez de datos.
Este estudio demuestra que la agregación basada en Deep Set que aprovecha la autoatención supera a los métodos tradicionales en el modelado de datos de actividad física de alta frecuencia y longitud variable, al tiempo que sugiere que las estrategias de agregación más simples siguen siendo suficientes para mediciones más estables y de baja frecuencia.
Este artículo presenta AdapNet-IDS, un marco de aprendizaje profundo autoadaptativo e interpretable que integra BiLSTM, atención selectiva y Consolidación de Peso Elástico para lograr una detección de intrusiones de alta precisión y en tiempo real con capacidades de aprendizaje continuo y toma de decisiones transparente en diversos entornos de red.
Este artículo propone FedMOJO, un marco colaborativo de bucle cerrado que integra el aprendizaje de representaciones de bajo rango, la privacidad diferencial y la optimización de equidad-privacidad para equilibrar eficazmente la utilidad, la equidad de grupo y la preservación de la privacidad en la clasificación de textos federada bajo datos no IID.
Este artículo propone un marco de aprendizaje profundo que utiliza modelos CNN, RNN y LSTM para detectar fallos a nivel de nodo en Redes de Sensores Inalámbricos basados en características temporales, validados mediante métricas de rendimiento y visualizados a través de una interfaz de mapeo de gráficos en tiempo real.