2354 artículos
El artículo propone ZBA-SU, un nuevo marco que integra pruebas de conocimiento cero, blockchain y el cifrado basado en atributos con política de texto cifrado para ofrecer actualizaciones de software seguras, que preservan la privacidad y escalables para dispositivos IoT, mitigando al mismo tiempo las dependencias de confianza centralizadas y la filtración de atributos.
Este artículo evalúa el control de riesgo selectivo para agentes de decisión basados en LLM bajo incertidumbre, encontrando que, si bien la crítica adversarial vinculante actúa como una puerta conservadora efectiva para casos de alto riesgo cuando la abstención es económica, no mejora inherentemente la calidad de la decisión activa y debe ser vista como una capa de aplazamiento ajustable en lugar de un reemplazo superior para políticas más simples.
Este artículo propone un marco de detección de intrusiones en red resiliente al desequilibrio que combina la selección de características optimizada, el aumento de datos basado en TVAE para clases minoritarias y una estrategia de aprendizaje de conjunto apilado para lograr una alta precisión y robustez en la detección de ataques cibernéticos comunes y poco frecuentes en el conjunto de datos CSE-CIC-IDS2018.
Este artículo propone FuMO-Edge, un orquestador de computación de borde móvil en línea que integra la lógica difusa de tipo 2 de intervalo con NSGA-II para optimizar la ubicación de tareas bajo incertidumbre, demostrando reducciones significativas en el tiempo de servicio y en las tasas de falla en comparación con las líneas base existentes de tipo 1, particularmente en escenarios de dispositivos de alta densidad.
Este estudio demuestra que un modelo de apilamiento heterogéneo ANN–LightGBM que utiliza 23 indicadores de la API de Windows previos al cifrado puede lograr una alta precisión (95,20 %) en la clasificación de familias de ransomware y software benigno, ofreciendo un mecanismo de defensa proactivo que supera a las arquitecturas neuronales independientes al tiempo que destaca la necesidad de una validación externa adicional.
Este artículo propone ST-GAIN+, una red generativa antagónica espaciotemporal híbrida que integra redes convolucionales temporales, mecanismos de atención dual y estimación de incertidumbre bayesiana para lograr una imputación robusta y precisa de datos de irradiancia solar faltantes a través de diversas tasas de ausencia y conjuntos de datos del mundo real.
Este artículo propone un marco de Aprendizaje Automático Explicable e IoT que integra datos de sensores en tiempo real con algoritmos de ensamble y técnicas de XAI para predecir con precisión el rendimiento académico de estudiantes de secundaria y generar intervenciones de aprendizaje personalizadas y transparentes.
Este estudio preregistrado demuestra que los modelos de lenguaje de gran tamaño pueden inferir de manera fiable los rasgos de personalidad de los Cinco Grandes a partir de conversaciones en vivo con una alta consistencia interna y validez convergente, particularmente para la neuroticismo y la amabilidad, aunque el rendimiento varía según la observabilidad del rasgo y la estrategia de instrucción.
Este estudio propone un marco de detección de intrusiones robusto y ligero para redes IoMT utilizando los conjuntos de datos CICIoMT2024, CICIoT2023 y Edge-IIoTset, demostrando que si bien los modelos de ensamble como XGBoost sobresalen en escenarios del mismo dominio, una selección cuidadosa de modelos como la Regresión Logística es crucial para mantener la estabilidad y la efectividad en entornos de dominio cruzado a pesar de los desafíos en la compatibilidad de las características.
Este estudio propone un marco de inteligencia de amenazas mejorado por IA que integra el aprendizaje automático con los principios de Zero Trust para mejorar significativamente la detección de amenazas en tiempo real, reducir los falsos positivos y fortalecer la resiliencia cibernética contra ataques sofisticados en entornos de nube dinámicos.