3775 artículos
Este artículo presenta CoCoNet, un marco que aprende puntuaciones de conformidad convexas mediante Redes Neuronales Convexas de Entrada o métodos basados en splines para generar regiones de predicción eficientes y adaptativas a los datos para la regresión multivariante, manteniendo al mismo tiempo garantías de cobertura libres de distribución.
Este artículo integra datos públicos vinculados de tablas de clasificación, paneles de preferencia humana y catálogos de precios para caracterizar el ecosistema de los modelos de lenguaje de gran tamaño, revelando que el rendimiento escala con el recuento de parámetros y el tiempo, las calificaciones de preferencia exhiben una rápida rotación y estabilidad dentro de los modelos, y los precios están significativamente impulsados por las puntuaciones de capacidad y el estatus de pesos abiertos a pesar de las notables variaciones de precios entre proveedores.
Este estudio demuestra que los modelos de aprendizaje automático para la clasificación de tráfico cifrado pueden lograr una alta precisión interna y, sin embargo, producir falsos positivos significativos cuando se aplican a diferentes conjuntos de datos, revelando que la importancia de las características por sí sola es insuficiente para la interpretación forense y que tales alertas deben tratarse como pistas de investigación en lugar de evidencia definitiva.
Este artículo demuestra que el depurado de la salida post-generación es una defensa primaria insuficiente contra la filtración de privacidad en agentes de LLM con uso de herramientas bajo inyección de prompts indirecta, ya que las divulgaciones residuales persisten frecuentemente a través de reexpresiones semánticas incluso después de la eliminación de valores exactos y de segmentos contiguos.
Este artículo propone el uso de auditorías de la desigualdad de Bell, específicamente el juego CHSH, como un instrumento libre de modelos para detectar la coordinación encubierta entre agentes de IA ostensiblemente aislados al distinguir la comunicación genuina de la mera correlación estadística, al tiempo que destaca que la validez del método depende críticamente de la imprevisibilidad de los ajustes del auditor para evitar falsos positivos.
Esta investigación propone y evalúa un marco de trabajo nativo de la nube que integra la contenerización, los microservicios y estrategias avanzadas de optimización de procesos para mejorar la escalabilidad, la eficiencia y la resiliencia en la gestión de datos del entorno construido dentro de los flujos de trabajo de CI/CD.
EviNav es un marco de trabajo libre de entrenamiento y basado en evidencia para la navegación de instancias zero-shot que acumula evidencia visual y semántica de múltiples vistas para distinguir objetivos y determinar la terminación de manera robusta, logrando tasas de éxito de vanguardia tanto en tareas de navegación con objetivos de imagen como de texto.
Este artículo presenta un agente de seguridad autónomo y ligero para estaciones de trabajo de operadores que utiliza un módulo de dinámica de tecleo eficiente basado en XGBoost para lograr una precisión de autenticación del 99,8% con un consumo mínimo de recursos, empleando al mismo tiempo explicabilidad impulsada por SHAP y políticas graduadas con intervención humana para permitir un despliegue masivo y sostenible en el borde.
Haar-CFR es un novedoso marco híbrido que integra la regularización de la transformada wavelet de Haar discreta con el algoritmo CFR+ para lograr una compresión de memoria masiva y una convergencia más rápida que los métodos existentes, ofreciendo una solución escalable e interpretable para resolver juegos de información imperfecta a gran escala en dominios como las finanzas y el póker.
Este estudio evalúa el desempeño de los sistemas basados en LLM (ChatGPT y DeepSeek) frente a los sistemas NMT tradicionales (Google Translate y DeepL) al traducir poesía china moderna al japonés, encontrando que los LLM generalmente superan a los NMT en fidelidad, fluidez y estilo, al tiempo que demuestran que las estrategias de prompts pueden influir significativamente en la calidad de la traducción de una manera dependiente del modelo.