💻 Category

cs

3854 artículos

💻 ciencias de la computación

Interpretability Methods for Causal Predictions in Biomedical AI: A Systematic Review of Approaches and Evaluation Practices

Esta revisión sistemática de 47 estudios de IA biomédica revela que, si bien los métodos de interpretabilidad como SHAP y LIME se utilizan ampliamente para explicar modelos de predicción causal, su evaluación se basa predominantemente en métricas basadas en propiedades y rara vez valida la validez causal real, lo que pone de relieve una brecha crítica entre la explicación del modelo y la inferencia causal.

Albert Schulle2026-10-15
💻 ciencias de la computación

Creating a Biomedical Causal Knowledge Graph via Semi-Supervised Learning

Este artículo revisa cómo los paradigmas de aprendizaje semisupervisado, tales como el autoentrenamiento y el aprendizaje activo, abordan la escasez de datos anotados para permitir la construcción escalable de grafos de conocimiento biomédico causal para la medicina de precisión, al tiempo que destaca los desafíos actuales y las direcciones futuras que involucran a los modelos de lenguaje de gran tamaño.

Jim Dorsey2026-10-15
💻 ciencias de la computación

Mechanist: AI as a Scientific Instrument for Discovering the Mechanisms of Intelligence

El artículo presenta a Mechanist, un sistema agéntico autónomo que aprovecha una base de conocimiento científico exhaustiva y métodos experimentales curados para descubrir, validar e intervenir en los mecanismos subyacentes de los modelos de IA, avanzando así el campo desde el mero entendimiento del comportamiento de los modelos hacia su control activo.

Ningyu Zhang, Mengru Wang, Junfeng Fang, Shuofei Qiao, Zhenqian Xu, Haoming Xu, Haoxiong Wang, Shumin Deng, Linyi Yang (…)2026-10-15
💻 ciencias de la computación

The Reconstruction Gap: Boundary Noise and the Limits of Holographic Bulk Recovery in Deep Learning, with Implications for Black-Box AI Auditing

Este artículo introduce la "brecha de reconstrucción" para demostrar que los modelos de aprendizaje profundo holográficos sufren errores métricos internos significativos e impredecibles bajo condiciones de contorno ruidosas, cuantificando así las limitaciones fundamentales de la auditoría de IA de caja negra al certificar los mecanismos internos de un modelo.

Alfredo Merlet2026-10-15
💻 ciencias de la computación

Adaptive TinyML at the Edge: A Multi-Seed Empirical Study of Drift, Robustness, Energy, Federated Learning, and Explainability

Este estudio empírico de múltiples semillas sobre TinyML adaptativo en datos sintéticos de sensores demuestra que el aprendizaje en línea mitiga significativamente la deriva de concepto y que las políticas de energía adaptativas superan a los modelos estáticos, al tiempo que revela que la cuantización de características de entrada preserva la precisión hasta los 4 bits, que las afirmaciones de equidad en el aprendizaje federado requieren retractación, y que los modelos base neuronales superan a los sintonizadores difusos en precisión a pesar de la superior interpretabilidad estructural de estos últimos.

Kunal Dhanda2026-10-15
💻 ciencias de la computación

Data Leakage in Agricultural Object Detection Studies: A Critical Analysis, Recipes, and Recommendations

Este artículo analiza críticamente la filtración de datos generalizada en la investigación de detección de objetos agrícolas, introduciendo un sistema de puntuación de 12 criterios para evaluar 33 estudios basados en PlantDoc y revelando que, si bien el rendimiento reportado es alto, la mayoría de los estudios sufren brechas metodológicas —particularmente con respecto al alcance de la aumentación— que socavan la fiabilidad en el mundo real, lo que motiva recomendaciones específicas para autores, revisores y mantenedores de conjuntos de datos.

Mohieddine Jelali2026-10-15
💻 ciencias de la computación

Curvature-Based Shrinkage for Label-Budgeted Recalibration under Dataset Shift: An Empirical Risk Study

Este estudio de riesgo empírico demuestra que la contracción basada en la curvatura mejora la pérdida de predicción respecto a la calibración de origen ante el desplazamiento de datos con etiquetas limitadas, aunque su superioridad sobre líneas de base más simples depende del contexto, lo que resalta un compromiso crítico de despliegue entre las ganancias promedio y el riesgo de una recalibración perjudicial.

Jufeng Li, Wenjie Li2026-10-15✓ Author reviewed ⓘ
💻 ciencias de la computación

SSDT-YOLO: An Underwater Object Detection Framework for Efficient Small-Target Recognition in Complex Environments

Este artículo propone SSDT-YOLO, un marco optimizado basado en YOLOv8 que integra los mecanismos TEfficientNet, SPDConv, C2f-Dual y SCSA para lograr una detección de objetivos pequeños bajo el agua eficiente y de alta precisión en entornos complejos y de baja luminosidad, reduciendo significativamente los parámetros del modelo.

Chaoyang Chen, Gangzhi Hu, Zunhui Yi, Lei He, Dan Yang2026-10-15
💻 ciencias de la computación

A CEDNet-based Algorithm for Cattle Detection and Counting in Complex Farming Environment in UAV Imagery

Este artículo propone C2Net, un algoritmo ligero basado en CEDNet que aprovecha las anotaciones de puntos y una novedosa Transformada de Distancia Inversa de Enfoque para lograr la detección y el conteo de ganado de alta precisión en imágenes complejas de UAV, abordando desafíos como la oclusión y los costos de anotación al tiempo que ofrece una solución práctica para el despliegue en dispositivos periféricos.

Tao Wu, Yihan Niu, Xi Chen, Qizhao Zhou2026-10-15
💻 ciencias de la computación

Adaptive Margin Based Metric Learning for Unbalanced Point Cloud Classification and Retrieval

Este artículo propone un marco de aprendizaje métrico basado en márgenes adaptativos, que presenta una nueva función de pérdida para conjuntos de datos desequilibrados y una estrategia de agrupación bilinear jerárquica, la cual logra un rendimiento de vanguardia en la clasificación y recuperación de nubes de puntos 3D con un bajo costo computacional.

Ziqiang Chen, Danqi Zheng, Chang Liu, Lutong Zhang, Tao Huang2026-10-15