929 artículos
Este artículo presenta Elemental Variational Expanse (EVE), una unidad variacional a nivel de neurona que reemplaza las activaciones ocultas deterministas con estados latentes muestreados dependientes de la entrada para mejorar la predicción probabilística y proporcionar diagnósticos medibles manteniendo la compatibilidad con arquitecturas neuronales estándar.
Este artículo propone GeoDualNet, el primer códec neuronal de extremo a extremo que aprende conjuntamente la predicción del vector de disparidad y la codificación del mapa de profundidad a través de un espacio latente geométrico unificado que presenta cinco componentes novedosos, logrando ahorros significativos de tasa de bits y una mejor calidad de vista sintetizada sobre 3D-HEVC tradicional y los códecs multivista aprendidos existentes.
Este artículo presenta la Predicción Conforme Condicional por Modalidad (MC²), un método que restaura garantías de cobertura válidas e informativas para modelos de diagnóstico médico multimodales ante entradas de modalidades faltantes mediante la estratificación de la calibración según los patrones de disponibilidad de modalidades sin requerir el reentrenamiento del modelo.
Este artículo presenta el bloqueo Enhanced Passive Reader-Writer (EPRW), una adaptación en el espacio de usuario del bloqueo PRW original que elimina el requisito incompatible de latido (heartbeat) para las rutas de datos en modo sondeo (poll-mode), preservando al mismo tiempo la escalabilidad y añadiendo características críticas como la actualización, degradación y adquisición no bloqueante de bloqueos.
Este artículo propone ICATS, un marco de Programación de Pensamiento Autónomo Centrado en Problemas que permite a los robots en entornos dinámicos priorizar el procesamiento cognitivo interno al tratar diversos factores, como tareas inacabadas y riesgos emergentes, como problemas dinámicos, superando así a los métodos tradicionales de línea base fija en recompensa ponderada y detección de estado.
Este artículo presenta un tablero de soporte de decisiones interactivo para el Sistema UAC Care, desarrollado utilizando Python, Streamlit, SQLite y Power BI, el cual integra el monitoreo en tiempo real, la analítica predictiva y la planificación de escenarios para mejorar la visibilidad operativa y la toma de decisiones basada en evidencia para los gestores de atención del sector público.
Este artículo propone RL-Trust RPL, un marco de confianza adaptativo basado en aprendizaje por refuerzo que mitiga los ataques de sumidero (sinkhole) en redes RPL de multicast mediante el monitoreo de comportamientos de los nodos, como la entrega de paquetes y el consumo de energía, para detectar e aislar nodos maliciosos, mejorando así la seguridad del enrutamiento y el rendimiento de la red.
Este artículo propone un marco híbrido de Algoritmo Genético y Aprendizaje Profundo que integra un modelo ResNet ligero con un esquema de optimización personalizado impulsado por GA para permitir una selección de cabezales de clúster rápida y con eficiencia energética en Redes de Sensores Inalámbricos Recargables, retrasando así significativamente la Muerte del Primer Nodo y logrando un rendimiento casi en tiempo real sin la sobrecarga iterativa de los métodos heurísticos tradicionales.
Este estudio propone un marco escalable impulsado por grandes datos que utiliza un Transformador Paralelo Espacio-Temporal (STPT) y técnicas de agrupamiento para predecir con precisión los accidentes de tráfico y las fatalidades en Bangkok, permitiendo así intervenciones de políticas basadas en evidencia para mejorar la seguridad vial urbana.
Este artículo propone PHUE, un método de ensamble de submuestreo progresivo consciente de la dificultad que selecciona dinámicamente muestras críticas de la clase mayoritaria cerca del límite de decisión y emplea una integración ponderada de métricas múltiples para superar significativamente a los algoritmos existentes en la clasificación de datos desbalanceados.