💻 Category

cs

4157 artículos

💻 ciencias de la computación

OntoLearner: A Modular Python Library for Ontology Learning with Large Language Models

El artículo presenta OntoLearner, un marco modular de código abierto que unifica el acceso a ontologías, los procesos de aprendizaje impulsados por LLM y la evaluación comparativa estandarizada a través de 22 dominios, revelando que el principal cuello de botella en el aprendizaje de ontologías es un desajuste estructural entre la codificación del conocimiento del modelo y la organización ontológica, más que la capacidad del modelo.

Hamed Babaei Giglou, Jennifer D’Souza, Andrei Aioanei, Nandana Mihindukulasooriya, Sören Auer2026-06-25
💻 ciencias de la computación

Curriculum-Aligned Analysis of Assessment Feedback: A Retrieval-Augmented Large Language Model Approach for Revealing Fine-Grained Student Error Patterns in Higher Education

Este estudio propone un enfoque de modelo de lenguaje de gran tamaño con recuperación aumentada que transforma la retroalimentación de evaluación no estructurada en patrones de error alineados con el currículo con alta precisión, permitiendo a los equipos docentes reflexionar sobre el impacto instruccional y guiar revisiones curriculares dirigidas en la educación superior.

Linxin Hua, Jia Xu, Lirui Guo, Nan Zheng, Qingtan Shen, Dilang Tan, Ye Lu2026-06-25
💻 ciencias de la computación

Comparative Analysis of LLM-Based Conversational Agents as an Assistive Technology for Web Interaction

Este estudio evalúa la efectividad de cuatro agentes conversacionales líderes basados en LLM como tecnologías de asistencia para la navegación web, encontrando que, si bien demuestran un potencial prometedor para mejorar la accesibilidad para diversos grupos de usuarios al interpretar estructuras de página y guiar interacciones, su desempeño varía significamente entre las diferentes herramientas.

Giuseppe Della Penna, Marina Buzzi, Barbara Leporini2026-06-25
💻 ciencias de la computación

HE-CloudML: A Privacy-Preserving Framework for Secure Machine Learning Inference over Encrypted Cloud Data Using Homomorphic Encryption

Este artículo presenta HE-CloudML, un marco de trabajo que preserva la privacidad que permite la inferencia de redes neuronales profundas de forma segura y eficiente sobre datos cifrados en la nube mediante el uso de Cifrado Homomórfico, logrando una precisión cercana a la del texto plano con mejoras significativas en la latencia respecto a las soluciones existentes, al tiempo que garantiza una resistencia robusta contra diversos ataques de privacidad.

Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi2026-06-25
💻 ciencias de la computación

WSymBert: A Weighted Neuro-Symbolic Attention Model for Interpretable CVSS Prediction

Este artículo presenta WSymBERT, un modelo de atención neuro-simbólico ponderado que combina la comprensión contextual del lenguaje con conocimiento experto estructurado para lograr una predicción automatizada altamente precisa e interpretable de las métricas Base de CVSS v3.1, superando a los modelos base de transformadores existentes y alineándose más estrechamente con el razonamiento de los expertos.

Seyedeh Leili Mirtaheri, Amirhossein Majd, Reza Shahbazian, Georgios Spathoulas, Aida Akbarzadeh, Andrea Pugliese2026-06-25
💻 ciencias de la computación

MAP-RAG: A Multi-View Adaptive Pattern-Aware Medical Retrieval-Augmented Generation Diagnostic Framework

MAP-RAG es un novedoso marco adaptativo de múltiples vistas que mejora la precisión y la eficiencia del diagnóstico clínico mediante la integración de la descomposición de registros médicos electrónicos estructurados con la recuperación híbrida y el enrutamiento dinámico de confianza, demostrando un rendimiento superior en múltiples departamentos médicos en comparación con los modelos de referencia.

Zhaolin Lu, Xulin Liu, Hongliang Bi, Feilong Tan, Caiying Zhang2026-06-25
💻 ciencias de la computación

OrganSegBench: Bridging the Translational Gap for Medical Segmentation Foundation Models Through Principled Model Synergy

Para abordar la brecha de traslación en los modelos fundacionales de segmentación médica causada por los puntos de referencia excesivamente optimistas y el compromiso entre precisión y equidad, este artículo introduce OrganSegBench, un riguroso marco de evaluación multidimensional que demuestra cómo la sinergia de modelos basada en principios mediante estrategias de ensamble supera a los modelos monolíticos para lograr una IA segura, equitativa y clínicamente confiable.

Qing Li, Yizhe Zhang, Xin Guo, Haosen Zhang, Mo Yang, Mengting Sun, Longyu Sun, Haoyang Zhang, Junhong Liu, Yan Li, Yaji (…)2026-06-25
💻 ciencias de la computación

A Hybrid Retrieval Augmented Generation Approach for Explainable Clinical Decision Support Using Vector Databases and Best Matching 25

Este artículo presenta un marco de trabajo de Generación Aumentada por Recuperación híbrido que integra la búsqueda semántica basada en BM25 y BioBERT con la Fusión de Clasificación Recíproca para mejorar el soporte de decisiones clínicas explicable y personalizado y la predicción temprana del riesgo de enfermedades, logrando un rendimiento de recuperación superior en un conjunto de datos de 182.000 registros médicos en comparación con las líneas base tradicionales.

Bodireddy Mahalakshmi, Smita Khairnar, Shilpa Gite, Anurag Lengure, Anuj Loharkar, Swaraj Mahadik, Soham Mahajan2026-06-25
💻 ciencias de la computación

An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

Este estudio propone un modelo de Máquina de Vectores de Soporte Híbrido Clásico-Cuántico explicable que aprovecha datos de múltiples países para lograr un rendimiento superior en la predicción del riesgo de salud mental materna (99.86% de precisión) al tiempo que identifica predictores clínicos clave mediante el análisis SHAP.

Shallon Ahimbisibwe, Emmanuel Ahishakiye, Samuel Maling, Simon Kawuma, Richard Ntwari, Boaz Twinamasiko, Fred Kaggwa2026-06-25
💻 ciencias de la computación

Runtime Detection of Attacks and Misconfigurations in Cloud-Native Kubernetes Environments Using eBPF Network Telemetry

Este artículo demuestra que la telemetría de red Hubble/eBPF, al combinarse con etiquetas de verdad fundamental cuidadosamente construidas, puede detectar eficazmente ataques en tiempo de ejecución y configuraciones erróneas en entornos Kubernetes, revelando que los atributos de identidad del lado del destino son los indicadores más fuertes de amenazas a pesar de un compromiso entre la alta precisión de los detectores basados en reglas y el mayor recobro de los clasificadores Random Forest.

Andrew Oppong-Asante, Bernard Kyiewu, Clinton Amponsah, Linda Bessa-Simons, Caleb Boakye Yiadom2026-06-25