974 artículos
Este artículo propone CD-LHBC, una cadena de bloques jerárquica ligera impulsada por consenso para Redes de Primos Digitales que integra subcadenas regionales, una cadena de coordinación y una puntuación de consistencia de primo digital dinámica para lograr una sincronización de baja latencia y tolerante a fallos en entornos de múltiples regiones con hasta un 25% de nodos maliciosos.
Este artículo presenta un enfoque basado en datos que utiliza redes de sensores y conjuntos de árboles de decisión aleatorizados para detectar, localizar y rastrear con precisión fuentes radiactivas en entornos complejos, demostrando un rendimiento superior respecto a los métodos tradicionales al eliminar la necesidad de un modelado detallado del transporte de radiación.
Este artículo propone el modelo de Desvanecimiento de Preferencias con Restricción de Calidad (QCPF, por sus siglas en inglés), el cual mejora la recomendación de difusión discreta al reemplazar el muestreo aleatorio uniforme con una distribución mixta consciente de la calidad y un mecanismo de filtrado de falsos negativos para generar trayectorias de degradación de preferencias más informativas, mejorando así significativamente el rendimiento de recomendación Top-K sin añadir latencia de inferencia.
Este artículo propone un modelo híbrido de detección de URLs de phishing que integra Redes Neuronales de Grafos con Random Forest para lograr una precisión superior y reducir los falsos positivos en comparación con el aprendizaje automático tradicional y otros enfoques de GNN.
Este artículo propone una arquitectura multiagente que aprovecha agentes autónomos impulsados por LLM para permitir un aseguramiento de la calidad de software autodirigido mediante la automatización de la generación de pruebas, ejecución, autorreparación y triaje de defectos, mientras aprende continuamente de los resultados históricos para abordar las limitaciones de las pruebas tradicionales basadas en guiones.
Este artículo propone un Marco de Aprendizaje Profundo Explicable Híbrido (HEDLF, por sus siglas en inglés) que integra CNN, BiLSTM y mecanismos de atención con fusión de multisensores y explicabilidad basada en SHAP para lograr un mantenimiento predictivo de alta precisión e interpretabilidad física para sistemas de IoT industrial, tal como lo valida su desempeño superior en los bancos de prueba NASA C-MAPSS e IEEE PRONOSTIA.
Esta revisión sistemática de 22 estudios publicados entre 2010 y 2026 concluye que, si bien los filtros de Gabor y de wavelet aprendibles ofrecen mejoras interpretables y eficientes en parámetros para la clasificación del cáncer de mama mamográfica, persiste una brecha de evidencia significativa con respecto a su integración conjunta para la estadificación radiológica y patológica multiclasificación.
Este artículo propone un marco de inteligencia en el borde destilado que combina una estrategia de destilación de conocimiento de dos fases con un mecanismo de inferencia colaborativa entre el borde y la nube consciente de la confianza para lograr una detección de defectos de pernos de alta precisión en dispositivos de torres de comunicación con recursos limitados, reduciendo significativamente las tasas de carga a la nube y la latencia.
Este estudio propone y valida un marco de aprendizaje profundo jerárquico que combina la detección YOLOv8 con la clasificación DenseNet121 para lograr una detección, tipificación y visualización espacial robusta de enfermedades de la piña bajo condiciones tropicales desafiantes en campo real, demostrando una precisión y confianza superiores en pruebas de campo ciego en comparación con los enfoques de etapa única.
Este artículo propone un marco computacional que formaliza la metáfora de "pensar fuera de la caja" al definir los límites conceptuales como regiones geométricas en un espacio semántico latente, permitiendo así la medición de la desviación creativa mediante una métrica de distancia geométrica normalizada por temas.