4157 artículos
El artículo presenta DenoisedSR, un front-end agnóstico al solver que aprende prioris de soporte variable para acelerar y mejorar significativamente la precisión de la regresión simbólica para el descubrimiento de leyes físicas mediante el filtrado de variables irrelevantes antes de que lleguen al solver del backend.
Este artículo presenta el Marco Generativo Colaborativo con Conciencia de la Estructura (SACGF, por sus siglas en inglés), un nuevo proceso que integra Stable Diffusion, ControlNet y SAM para lograr una reconstrucción digital de alta fidelidad de las superficies del arte de la laca mediante el equilibrio de la consistencia estructural, la fidelidad de la textura y la coherencia de estilo, validado por una nueva métrica cuantitativa y un conjunto de datos especializado.
Este artículo propone SEM-EDGE-X, un marco de inteligencia de borde semántica consciente de la intención que integra la extracción de características semánticas, el enrutamiento adaptativo y la coordinación de agentes múltiples para superar significativamente a los modelos de comunicación convencionales en redes dinámicas de UAV y vehículos 6G de baja latencia.
Este artículo demuestra que los modelos de aprendizaje automático, particularmente las Redes Neuronales Recurrentes, pueden predecir con precisión los tiempos de espera en sistemas de colas de prioridad complejos y variables en el tiempo utilizando únicamente la longitud de la cola y la prioridad del cliente, superando a los métodos basados en árboles en reglas de servicio no preventivas y diversas reglas preventivas.
Este estudio evalúa seis arquitecturas de aprendizaje profundo para la detección de objetos marítimos en diversas condiciones climáticas, demostrando que el modelo Vision Transformer (ViT) supera a las alternativas basadas en CNN al lograr un 100% de precisión, las tasas de error más bajas y la velocidad de procesamiento más rápida, resaltando así su potencial para mejorar la seguridad y vigilancia marítima impulsada por IA.
Este artículo propone un nuevo método de selección de características que integra la alineación de núcleos para unificar datos médicos heterogéneos dentro de un Espacio de Hilbert de Núcleo Reproductor y extiende la agrupación tripartita para modelar explícitamente la incertidumbre de frontera, reduciendo así eficazmente la dimensionalidad al tiempo que mejora significativamente la precisión y la estabilidad de la predicción de enfermedades en conjuntos de datos clínicos multimodales.
Este artículo propone un marco de supervisión débil para la detección de anomalías en grafos de transacciones que aprovecha el transporte óptimo para alinear la semántica de reglas jerárquicas, derivadas de árboles de decisión, con representaciones continuas de transacciones, generando así pseudoetiquetas de alta calidad y superando a los modelos de referencia existentes en conjuntos de datos de referencia.
Este artículo sostiene que los registros regulatorios públicos actuales para los dispositivos médicos de IA son inadecuados para la supervisión del ciclo de vida debido a la falta de datos estructurados y consultables sobre los cambios de software y los atributos específicos de la IA, y propone una nueva especificación de datos para abordar estos déficits críticos en las principales jurisdicciones globales.
Este artículo propone un marco de detección de anomalías no supervisado y multimodal que fusiona la semántica textual del OCR con características lógicas financieras para identificar eficazmente irregularidades estructurales y fraudes en facturas semiestructuradas, superando a los modelos base de modalidad única en datos del mundo real.
Este artículo presenta CLASP, un programador de aprendizaje por refuerzo con restricciones adaptativo que impone restricciones explícitas de latencia mediante un precio lagrangiano controlado por PID y una política condicionada al precio, manteniendo así una eficiencia energética y objetivos de violación estables a través de diversas cargas de trabajo donde los enfoques tradicionales de recompensa de peso fijo fallan.