3775 artículos
Este estudio de cohorte retrospectivo introduce un algoritmo de aprendizaje automático novedoso y totalmente transparente (ShAproxRef) que aproxima una red neuronal de "caja negra" para predecir la sepsis a partir de datos rutinarios de urgencias con una precisión comparable (AUC de 0,82 en pruebas externas), mejorando así la confianza clínica y facilitando la implementación.
Este artículo propone y valida funciones de pérdida conscientes del dominio (USELoss) que reemplazan las pérdidas perceptuales estándar para mejorar significativamente la fidelidad estructural y la preservación de bordes de la superresolución de rayos X médicos, superando a métodos existentes como SRGAN, ESRGAN y HAT en el conjunto de datos PadChest.
Este artículo presenta un marco de entrenamiento eficiente para Gaussian Splatting compacto que acelera la convergencia y reduce el recuento de primitivas mediante la implementación de una estrategia de densificación guiada por pérdida, un mecanismo de poda basado en el gradiente de opacidad y un paso hacia atrás de CUDA optimizado, todo ello manteniendo una calidad de renderizado competitiva.
Este estudio empírico sobre la clasificación de violaciones del TEDH demuestra que, si bien la contextualización secuencial entre segmentos mediante BiGRU mejora la exhaustividad, crea un compromiso entre precisión y exhaustividad bajo una agregación uniforme, el cual solo se resuelve al combinar la contextualización con una agregación selectiva basada en atención para lograr la mayor puntuación macro-F1.
AgedNet-Motion introduce un marco de trabajo libre de entrenamiento y consciente de los recursos para la percepción multitarea en streaming que reduce la latencia de inferencia al refrescar selectivamente las ramas específicas de cada tarea basándose en métricas calibradas de movimiento y antigüedad mientras reutiliza las salidas almacenadas en caché, logrando aceleraciones significativas con una pérdida de calidad mínima en diversos modelos.
Este estudio demuestra que la superioridad inicialmente reportada del aprendizaje de instancias múltiples jerárquico sobre una línea base de fotogramas fijos para la detección de trombosis a nivel de paciente fue un artefacto de inconsistencias ambientales y no se reprodujo bajo condiciones controladas, refutando así las afirmaciones de una ventaja estable del modelo.
Este artículo presenta un novedoso marco de agente abierto que hibrida la ejecución de políticas deterministas de Open Policy Agent con el razonamiento contextual impulsado por Modelos de Lenguaje de Gran Escala para ofrecer un análisis de cumplimiento y una guía de remediación precisos y listos para auditoría para Infraestructura como Código, demostrando mejoras de rendimiento estadísticamente significativas sobre las herramientas tradicionales de análisis estático.
Este artículo propone un marco de dos etapas, ligero y en tiempo real, que desacopla la segmentación y la clasificación para lograr un reconocimiento de gestos manuales estáticos robusto y de baja latencia para el control de hogares inteligentes, utilizando una U-Net mejorada y un novedoso clasificador EdgeHandCNN para minimizar los falsos disparos y garantizar una alta precisión en dispositivos de borde.
Esta revisión sistemática de 33 estudios sobre la IA que preserva la privacidad en la educación superior encuentra que, si bien técnicas como el aprendizaje federado y la privacidad diferencial pueden mantener la utilidad del aprendizaje, el campo carece actualmente de evaluaciones de seguridad rigurosas, despliegues multiinstitucionales en el mundo real y evaluaciones exhaustivas del impacto educativo.
Este estudio demuestra que un conjunto de modelos heterogéneo con desarrollo bloqueado mejora la segmentación semisupervisada de nódulos pulmonares pequeños (3–<6 mm) en comparación con un único Mean Teacher mejorado tanto en las pruebas internas como externas, aunque las ganancias modestas no prueban definitivamente que los objetivos heterogéneos ofrezcan beneficios más allá de los efectos generales de los conjuntos.