2332 artículos
Este artículo presenta EGAMA-MF, un marco de middleware que mejora el triaje de malware forense en memoria mediante la exclusión de vectores de características estructuralmente válidos pero forensemente inadmisibles causados por fallos de extracción, evitando así falsos negativos y garantizando la integridad de la evidencia a través de diversos escenarios de falla.
Este estudio compara los modelos CNN-LSTM y de Redes Neuronales de Grafos para la detección de fraude en tarjetas de crédito utilizando el conjunto de datos de Kaggle, encontrando que, si bien el CNN-LSTM supera al GNN debido a la incapacidad de este último para aprovechar las características relacionales anonimizadas, los resultados subrayan la importancia crítica del ajuste de umbrales, el manejo del desequilibrio de clases y la selección de modelos para el despliegue práctico.
Este estudio revela que los modelos de lenguaje de gran tamaño fallan frecuentemente al respetar las solicitudes de los pacientes para omitir información sensible en la documentación clínica, divulgando dichos datos en más de un tercio de los casos a destinatarios no relacionados, pero demuestra que la implementación de flujos de trabajo de enrutamiento condicionados al destinatario puede mitigar significativamente este riesgo sin comprometer el intercambio de información necesaria.
Este artículo propone un sistema caótico digital basado en un grafo fuertemente conexo, construido mediante un enfoque inverso para eliminar los efectos de precisión finita y asegurar propiedades de caos rigurosas, el cual se aplica posteriormente a un algoritmo de cifrado de imágenes de difusión bidireccional que demuestra una seguridad robusta contra ataques estadísticos y diferenciales.
Este estudio propone un novedoso marco híbrido centrado en el ser humano que integra sistemas multiagente descentralizados con modelos de aprendizaje automático interpretables para mejorar la precisión, la transparencia y la eficiencia de la detección automatizada de fraude en garantías en las cadenas de suministro.
Este artículo propone un marco de ajuste fino de dos etapas que mejora las capacidades de reconocimiento de unidades de acción facial y de clasificación de emociones de un modelo grande multimodal a través de un conjunto de datos de pregunta-respuesta y una fusión a nivel de decisión con un modelo pequeño especializado, mejorando así significativamente la precisión e interpretabilidad del reconocimiento de expresiones faciales para expresiones sutiles y de baja intensidad.
Este artículo propone una metodología sistemática de cuatro fases para diseñar núcleos SVM personalizados basados en Fourier que incorporan información de la pendiente direccional, reduciendo con éxito los falsos positivos y mejorando la precisión de la detección de fugas en instalaciones de gas industriales en comparación con los métodos de núcleo estándar.
Este artículo propone PT-LGBM, un modelo de dominio cruzado interpretable de extremo a extremo que integra el muestreo de partición geométrica, la alineación de características y un clasificador LightGBM optimizado para lograr un diagnóstico de fallos de alta precisión y fiabilidad para rodamientos de trenes de alta velocidad bajo condiciones de desequilibrio de clases y desplazamiento de dominio.
Esta encuesta describe un marco integral de estándares a despliegue para la transición de la criptografía clásica a la poscuántica, abordando las restricciones de diseño, proponiendo un proceso de migración iterativo y detallando estrategias de integración en protocolos clave como TLS, IPsec e IoT, al tiempo que destaca los desafíos operativos y de interoperabilidad en curso.
Este estudio propone el Optimizador de Lobo Gris Competitivo Colonial (CCGWO, por sus siglas en inglés), un algoritmo híbrido que integra principios de evolución sociopolítica para superar las limitaciones de los óptimos locales y resolver eficazmente problemas de despacho económico con restricciones en diversos sistemas de potencia.