2350 artículos
Este artículo propone cuatro nuevas técnicas heurísticas, que incluyen BEFRA y BEQRA, las cuales aprovechan la información de frecuencia y calidad de los bordes subutilizada para mejorar significativamente el rendimiento y la robustez de los algoritmos de Optimización de Colonia de Hormigas para resolver el Problema del Viajante Simétrico.
Este artículo propone un marco híbrido LSTM–LightGBM mejorado con SHAP para la detección de ataques DDoS multiclase, interpretable y en tiempo real en redes 5G e IoT, demostrando una precisión y robustez superiores a través de los conjuntos de datos CICIDS2017, CIC-DIAD2024 y CICIoT2023.
Este artículo propone y evalúa un sistema de detección de fraude basado en IA diseñado específicamente para servicios de pago por suscripción, demostrando que una arquitectura híbrida XGBoost+Bi-LSTM supera a los modelos independientes en múltiples métricas en un conjunto de datos sintéticos que cubre seis tipos distintos de fraude, al tiempo que reconoce explícitamente los resultados como evidencia de prueba de concepto en lugar de un rendimiento validado en el mundo real.
Este artículo presenta la Red de la Sinapsis Inmunológica (ISN, por sus siglas en inglés), una novedosa arquitectura de aprendizaje profundo inspirada en los mecanismos de reconocimiento de las células T que detecta eficazmente anomalías débiles persistentes en datos de series temporales mediante el filtrado de señales transitorias a través de la lectura de prueba cinética, superando a los modelos estándar en tareas definidas por la continuidad temporal en lugar de la magnitud instantánea.
Este estudio de viabilidad evalúa el desempeño de modelos de aprendizaje automático clásico y de aprendizaje profundo en los informes financieros del Departamento del Contralor y Contador General de Ghana, revelando que si bien el modelo XGBoost ajustado finamente logró una clasificación de categorías perfecta, el estudio de ablación posterior demostró que las características de palabras clave inflaron significativamente estos resultados, subrayando la necesidad crítica de una validación rigurosa de las características antes de desplegar tales herramientas en contextos del sector público.
Este artículo propone Gdlcn–dsbo, un marco híbrido que combina Redes Convolucionales Etiquetadas Dependientes de Grafos (GDLCN) y Optimización de Mariposa Programada Profunda (DSBO) para optimizar la asignación de recursos y tareas en la nube con múltiples objetivos, mejorando así la eficiencia del sistema, reduciendo los costos y garantizando la equidad en entornos dinámicos de IoT.
Este artículo propone y evalúa sintéticamente un lenguaje de patrones candidato de siete patrones de diseño para tuberías de datos resilientes en pequeñas y medianas empresas con recursos limitados, demostrando mediante experimentos de inyección de fallos que estos patrones abordan eficazmente modos de fallo específicos —tales como duplicados, deriva de esquemas y pérdida silenciosa de datos— en comparación con las líneas base estándar, al tiempo que reconoce explícitamente las limitaciones del estudio como una contribución basada en prototipos y no validada en campo.
Este estudio demuestra que la elección del modelo de lenguaje de gran tamaño como evaluador influye significativamente en la fidelidad medida y el cumplimiento de seguridad en los resúmenes biomédicos generados por IA, con diferentes modelos produciendo tasas de error que varían por un factor de cuatro y conduciendo a conclusiones divergentes sobre la calidad del resumen.
Este artículo presenta Dec-GRPO, un marco de Optimización de Política Relativa de Grupo descentralizado y robusto ante ataques bizantinos que se defiende contra ataques de envenenamiento de dominio e inflación de razonamiento mediante la integración de filtrado de logit de referencia, selección ponderada por reputación, agregación Multi-Krum y ventajas penalizadas por longitud adaptativa.
Este artículo demuestra que el estado compartido persistente en sistemas recurrentes modulares es selectivamente ventajoso en lugar de universalmente superior, volviéndose críticamente necesario específicamente cuando la información relevante para la tarea debe tanto cruzar los límites modulares como persistir después de que su disponibilidad externa haya terminado.