964 artículos
Este artículo propone un marco de trabajo ligero basado en la extracción de características espacio-temporales profundas y de doble atención (CSFE-DAE) que combina los Patrones Espaciales Comunes con mecanismos de doble atención para lograr una precisión de detección de la enfermedad de Parkinson de vanguardia del 97.59% en señales de EEG.
Este estudio utilizó un modelo de desarrollo de Cuatro Dimensiones para crear y validar un sistema de gestión de aprendizaje basado en IA para escuelas primarias, el cual los expertos consideraron altamente factible y eficaz para mejorar las habilidades de pensamiento computacional de los estudiantes, particularmente en descomposición, abstracción y algoritmos.
Este artículo propone una Red Neuronal Híbrida Cuántico-Clásica de Fusión Adaptativa a las Características (FAF-HQNN, por sus siglas en inglés) que pondera dinámicamente las predicciones clásicas y cuánticas para lograr una precisión superior y robustez contra el ruido en tareas de clasificación de imágenes biomédicas.
El artículo propone ACDGRec, un modelo de recomendación robusto que integra el entrenamiento adversarial y el aprendizaje contrastivo en una red neuronal de grafos basada en difusión para abordar eficazmente la escasez de datos, los problemas de inicio en frío y la inestabilidad de la entrada mediante la captura de correlaciones de contexto latente del usuario.
Este artículo propone un marco de trabajo de Gradiente de Política Determinista Profundo Multi-Agente (MADDPG) consciente de NDN que aprovecha el aprendizaje descentralizado y representaciones de estado especializadas para mitigar eficazmente los Ataques de Contaminación de Caché en Redes de Datos Nombrados, demostrando una eficiencia de caché superior, una convergencia más rápida y una mayor resiliencia en comparación con los enfoques de agente único y convencionales.
Este artículo propone un marco de Optimización de Política Próxima Mejorada por Mapeo Lineal (LME-PPO) que aprovecha el aprendizaje por refuerzo profundo para optimizar el equilibrio de carga dinámico y reducir la latencia del sistema en entornos de computación perimetral de ciudades inteligentes mediante el mapeo efectivo de espacios de tareas complejos y la garantía de equilibrio computacional entre los servidores perimetrales.
Este artículo propone un marco de aprendizaje por refuerzo multiagente con incentivos de teoría de juegos para lograr el consenso entre participantes autónomos y de aprendizaje en una cadena de bloques, demostrando que las políticas convergen hacia equilibrios equitativos y tolerantes a la adversidad, al tiempo que identifica limitaciones arquitectónicas específicas y refina las garantías teóricas de convergencia.
Este estudio utiliza Modelado de Ecuaciones Estructurales para demostrar que, si bien la concienciación sobre la ciberseguridad impulsada por la IA y la alfabetización digital promueven significativamente la adopción de sistemas de ciberseguridad basados en IA, la confianza en estos sistemas no influye directamente en la intención de comportamiento, lo que destaca la necesidad crítica de que las organizaciones prioricen el desarrollo de la concienciación sobre la ciberseguridad y la alfabetización digital por encima de la mera construcción de confianza.
Este artículo presenta DustFormer, un marco de codificador-decodificador basado en aprendizaje profundo que realiza simultáneamente la segmentación de polvo y la estimación de densidad en imágenes RGB, logrando una alta precisión y robustez para aplicaciones de monitoreo ambiental, agricultura de precisión y detección inteligente.
Este artículo propone un método de ejecución simbólica dirigida mejorado con estrategias de simbolización automática y de acotación de bucles para verificar eficientemente la viabilidad de rutas de flujo de control interprocedimental, demostrando una precisión y exhaustividad superiores en comparación con herramientas existentes como KLEEF cuando se aplica a proyectos del mundo real e integración de análisis estático.