3821 artículos
El artículo propone la Similitud Selectiva Dispersa (), un nuevo método de regularización que equilibra dinámicamente la dispersión y la similitud de características para mejorar la fidelidad, la estabilidad y la robustez de las explicaciones locales en modelos lineales sin comprometer la precisión predictiva.
Este artículo presenta una revisión sistemática de 147 estudios académicos que abarcan 29 años para identificar los desafíos de accesibilidad en la visualización de subtítulos tradicionales, proponer una taxonomía para intervenciones adaptativas y abogar por prácticas de diseño más inclusivas que sirvan mejor a diversas comunidades y contextos de dispositivos.
Este artículo propone el sistema AFL-MCSESEN-BADP-HS, un marco de aprendizaje profundo federado asíncrono que integra la fusión de datos multimodales, una red de atención basada en ResNet-34 y privacidad diferencial adaptativa basada en Bulyan para lograr una clasificación de alta precisión y preservación de la privacidad de los grados de osteoartritis de rodilla con un 99,64% de precisión.
Este artículo analiza 210 estudios revisados por pares desde 2015 hasta 2026 para identificar brechas críticas en la implementación post-hoc de la seguridad dentro de los sistemas distribuidos de macrodatos y propone la Arquitectura de Macrodatos Distribuidos con Seguridad por Diseño (SDBDA, por sus siglas en inglés), un marco de seis capas que integra la gobernanza, la privacidad y la integridad directamente en el núcleo del sistema para mitigar las vulnerabilidades sistémicas.
Este artículo propone GRAFF-MM, un novedoso modelo de predicción de memorabilidad multimodal que integra un Módulo de Banco de Filtros de Multifrecuencia para Redes Convolucionales de Grafos para aprovechar eficazmente la información visual de baja y alta frecuencia junto con datos de prominencia y de subtítulos, logrando un rendimiento competitivo en cuatro conjuntos de datos de referencia.
Este artículo demuestra un teorema de no-go restringido que establece que los sistemas de aprendizaje cuántico coherentes y totalmente aislados no pueden lograr simultáneamente la universalidad y el entrenamiento coherente, estableciendo así el paradigma híbrido clásico-cuántico como una necesidad física en lugar de un compromiso de ingeniería.
Este artículo propone RABIS, un enfoque estadístico ligero que analiza los patrones de llamadas al sistema para distinguir el ransomware de los procesos benignos, logrando una precisión de detección del 98,05 % con una sobrecarga de rendimiento mínima.
Este artículo presenta SRI-ECR-balanced, un marco de reoptimización en línea para el enrutamiento dinámico de vehículos que adapta los patrones de ejecución especulativa de IA para lograr una reducción de latencia de 2.5× y un 100% de viabilidad en pruebas de estrés mediante el equilibrio entre el borrador de rutas especulativas, la verificación determinista, la reparación experta y el almacenamiento en caché de prefijos de ruta.
El artículo propone SQV-R2Gen, un nuevo marco para la generación de informes médicos que mejora la precisión clínica mediante el análisis de informes de texto libre en consultas estructuradas, empleando un mecanismo de verificación de calidad multidimensional para filtrar la evidencia espacial ruidosa de un profesor visión-lenguaje, y destilando esta evidencia local verificada para optimizar conjuntamente la consistencia semántica y el modelado de anomalías locales.
Este estudio demuestra que un marco de autoescalado consciente de la energía para microservicios de salud orquestados por Kubernetes reduce significativamente los costos operativos y el sobreaprovisionamiento de recursos en entornos de recursos limitados en comparación con el autoescalado convencional, reduciendo así las barreras de adopción para los sistemas de salud digital esenciales para la Cobertura Sanitaria Universal.