2343 artículos
Este estudio presenta un sistema automático de clasificación de trastornos del sueño que utiliza un algoritmo XGBoost regularizado para analizar morfologías de múltiples características a partir de señales de ECG de una sola derivación, logrando una alta precisión (96,1%), especificidad (100%) y sensibilidad (92,1%) al distinguir eventos de apnea.
Este artículo propone un marco de aprendizaje híbrido local-global guiado estadísticamente que fusiona características YCbCr optimizadas con una novedosa arquitectura 3SH–VSS para detectar eficazmente videos deepfake comprimidos mediante el modelado simultáneo de artefactos de compresión locales y dependencias de falsificación globales, logrando un rendimiento y una generalización superiores en diversos conjuntos de datos.
Este artículo presenta un benchmark sintético y reutilizable para evaluar modelos de aprendizaje automático que predicen la pérdida de productividad en el vertido de concreto, revelando que los modelos competentes actuales no logran capturar adecuadamente las pérdidas severas y destacando la necesidad de protocolos de evaluación estandarizados y validados en campo.
Este estudio demuestra que un modelo de aprendizaje profundo híbrido CNN–LSTM supera significativamente a una CNN independiente en la detección de la esquizofrenia a partir de señales de EEG en estado de reposo, alcanzando un 92,03% de precisión y resaltando el valor de integrar el aprendizaje de secuencias temporales para el diagnóstico objetivo.
Esta revisión sistemática sintetiza los avances recientes en la detección de malware de día cero mediante la propuesta de un marco de Análisis Binario Contrastivo Tri-Modal que unifica Transformers de opcodes, Redes de Isomorfismo de Grafos de Flujo de Control y embeddings de Llamadas al Sistema para lograr una precisión de detección robusta que supera el 98.5% a pesar de la sofisticada ofuscación de código.
Este artículo propone TPCT, un novedoso marco de Transformer sensible a la topología que integra características geométricas y de topología de grafo dual con muestreo adaptativo al área para lograr una precisión de vanguardia en el reconocimiento de características geométricas complejas dentro de modelos CAD B-rep.
Este estudio propone un marco de selección de características basado en el Optimizador de Lobo Gris refinado por Información Mutua para reducir eficazmente el espacio de características para la detección de bots en redes sociales, logrando una precisión de clasificación del 98,87% con XGBoost en un conjunto de datos de 8.386 cuentas.
Este artículo presenta los Conjuntos de Rotación de Tokens Contextuales (CTRE, por sus siglas en inglés), un nuevo marco de aprendizaje tabular que mejora la diversidad y la robustez de los conjuntos mediante la integración de representaciones de tokens contextuales basadas en Transformers con rotaciones de características adaptativas a los datos y conscientes de las interacciones, superando a los métodos clásicos particularmente en conjuntos de datos de alta dimensión y desbalanceados.
Este artículo propone un algoritmo de gota de lluvia artificial multiobjetivo coevolutivo jerárquico (HCMOARA) que integra el muestreo de hipercubo latino, subpoblaciones particionadas con estrategias de búsqueda especializadas y un mecanismo de actualización del factor de flujo adaptativo para optimizar eficazmente la ruta de finalización, el consumo de energía y el costo en problemas de programación de talleres de trabajo flexibles.
Este estudio presenta un marco de aprendizaje automático integrado que utiliza PLN, reducción de dimensionalidad y algoritmos de agrupamiento para analizar la cartera de investigación de una universidad, revelando que la Facultad de Ingeniería y Ciencias Naturales domina el presupuesto e identificando oportunidades significativas para un realineamiento estratégico junto con un perfil de proyectos de alto riesgo del 33,4%.