2351 artículos
Este artículo presenta X-CoLA, el primer marco de explicabilidad post-hoc para la detección de anomalías en grafos contrastivos, el cual integra Mapas de Atención de Gradiente en el modelo CoLA para identificar las conexiones estructurales y dimensiones de características específicas que impulsan las decisiones de anomalía sin comprometer el rendimiento de la detección.
Este artículo propone un marco de aprendizaje por refuerzo profundo jerárquico que integra una función de recompensa densa basada en un campo de potencial artificial mejorado con el algoritmo Multi-Agent Deep Deterministic Policy Gradient (MADDPG) para lograr una planificación de trayectorias 3D eficiente y óptima para múltiples UAV en entornos desconocidos con obstáculos complejos.
Este estudio experimental demuestra que el fuzzing diferencial es un enfoque práctico y agnóstico al lenguaje para identificar y suprimir eficientemente mutantes equivalentes a través de diversos proyectos de software del mundo real, logrando puntuaciones de mutación casi perfectas mientras genera entradas accionables para fortalecer las suites de pruebas tradicionales.
Este artículo propone la Red Bayesiana de Cópula Híbrida (HCBN, por sus siglas en inglés), un algoritmo novedoso que aprende estructuras de redes bayesianas a partir de datos de tipo mixto sin transformación mediante la integración del análisis espectral de Laplaciano con un marco de cópula de Vina Regular para lograr una verosimilitud de logaritmo y un control de la complejidad del modelo superiores en comparación con los métodos existentes.
Este artículo propone CWMAN-EEG, una red adversaria de múltiples fuentes con ponderación condicional que aborda los desafíos del reconocimiento de emociones mediante EEG entre sujetos al separar las características compartidas e individualizadas y ponderar adaptativamente los dominios de origen basándose en la similitud de la distribución para lograr un rendimiento de vanguardia en los conjuntos de datos SEED y SEED-IV.
Este estudio demuestra que la Unidad Recurrente de Puerta (GRU) supera significativamente tanto a los modelos de aprendizaje automático como a otras arquitecturas de aprendizaje profundo en el pronóstico de los precios de exportación del café Robusta de Vietnam durante un periodo de rupturas estructurales severas, al tiempo que aborda transparentemente las limitaciones metodológicas y proporciona parámetros de riesgo accionables para los contratos a plazo.
Este artículo presenta un novedoso marco de tri-metaheurística inspirado en la robótica integrado con inteligencia de borde neuromórfica que optimiza el procesamiento de señales biomédicas multimodales en tiempo real para lograr una alta precisión diagnóstica y un consumo de potencia ultra bajo, permitiendo el monitoreo continuo mediante dispositivos vestibles durante 72 horas y mejorando significativamente el soporte de decisiones clínicas para la detección temprana de enfermedades.
Este artículo propone EC-ARAG, un marco de generación aumentada por recuperación agéntica con restricciones de evidencia que mejora significativamente la fiabilidad, consistencia y eficiencia del diseño preliminar de ingeniería civil de subestaciones mediante la integración de recuperación consciente de las regulaciones, resolución de conflictos y bucles de doble verificación para superar a los sistemas RAG convencionales.
Este artículo introduce los primeros referentes sistemáticos y protocolos de evaluación para el conjunto de datos de malware multimodal CIC-YNU-IoTMal2026, revelando deficiencias críticas tales como la fuga de datos por divisiones aleatorias, altas tasas de omisión de muestras inactivas bajo condiciones libres de fuga y una severa fragilidad de arquitectura cruzada, al tiempo que demuestra que las elecciones de protocolo, en lugar de la selección del modelo, dominan finalmente el rendimiento reportado.
Este artículo presenta un conjunto de CNN heterogéneo con conciencia de localización y fusión meta-neuronal que demuestra cómo los componentes críticos de los procesos de clasificación de enfermedades de plantas se desplazan desde la amplitud del conjunto y los descriptores diseñados a mano en entornos de laboratorio hacia la localización de hojas y la fusión aprendida cuando se aplican a imágenes de campo, validado mediante rigurosos estudios de ablación tanto en los conjuntos de datos PlantVillage como PlantDoc.