2354 artículos
Este artículo demuestra empíricamente que la poda de canales mejora la detección de peatones robusta al ruido solo en regímenes de alta redundancia y pocos datos al actuar como un regularizador, mientras que falla al generalizarse a través de diversos conjuntos de datos y ofrece solo ahorros computacionales modestos.
Este artículo propone un marco de aprendizaje profundo híbrido CNN–GRU mejorado por la selección de características mRMR para detectar eficazmente el trastorno depresivo mayor a partir de señales de EEG, logrando una precisión media del 96,74 % en el conjunto de datos MODMA, al tiempo que destaca la necesidad de una validación adicional en datos clínicos diversos.
Este artículo presenta el Seguimiento de Circuitos Mecanicistas, un marco modular que combina la atribución directa de logits, el parcheo de activación causal y técnicas de ablación para rastrear la emergencia de circuitos de atención durante el preentrenamiento y cuantificar su robustez causal mediante un nuevo Índice de Estabilidad de Circuitos para mejorar la seguridad y el alineamiento de la IA.
Este estudio evalúa 14 modelos de lenguaje de gran tamaño en la detección de vulnerabilidades en contratos inteligentes, revelando que la selección del modelo es más crítica que las estrategias de prompting o el aumento de la computación en el tiempo de inferencia, dado que los modelos frontera más grandes demuestran una fiabilidad superior mientras que los modelos más pequeños y las técnicas de razonamiento extendido pueden degradar el rendimiento.
Este artículo presenta Perceive AI, un novedoso marco de extremo a extremo para la calificación automatizada de respuestas cortas que aprovecha una arquitectura de prototipo paramétrico de doble cabeza y salvaguardas de consistencia adversarial para lograr una puntuación robusta y sensible a los prompts, filtrando eficazmente las entregas fuera de tema.
Este artículo presenta la Unidad de Base Espectral Interpretable (SBIU, por sus siglas en inglés), un módulo neuronal de inspiración clásica y motivado por la mecánica cuántica que utiliza proyecciones ortogonales aprendidas para lograr la aproximación universal de funciones y el descubrimiento de regímenes no supervisados con alta interpretabilidad y un rendimiento competitivo tanto en conjuntos de datos sintéticos como en datos clínicos del mundo real.
Este artículo presenta Dictionary-KAN (DKAN), una arquitectura verificada por máquina que resuelve la paradoja de optimización de las Redes Kolmogorov-Arnold mediante el empleo de diccionarios RBF de coeficientes complejos y un refinamiento jerárquico discreto para lograr una regresión multivariante, recuperación de coeficientes de EDP y una interpretabilidad eficiente en hardware superiores, evitando al mismo tiempo los problemas de memoria y convergencia de las KAN basadas en splines continuos.
CONCORDAT es un marco de aprendizaje federado de silos cruzados que permite la investigación multimodal del autismo de manera confiable y preservando la privacidad, mediante la integración de datos de salud heterogéneos e incompletos a través de múltiples sitios mientras aborda simultáneamente los desafíos de la ausencia de datos, la privacidad diferencial y la equidad de subgrupos.
Este artículo hace avanzar los Modelos de Equilibrio Profundo al establecer una teoría de punto fijo que relaja el restrictivo requisito de contracción estricta, demostrando la existencia y unicidad bajo contracciones de Wardowski, demostrando la convergencia de la iteración de Krasnoselskii–Mann para operadores no expansivos, y derivando cotas de estabilidad Lipschitz para un entrenamiento robusto.
Este artículo propone un marco de defensa que combina el entrenamiento adversarial y el enmascaramiento de gradientes para mejorar significativamente la robustez de los sistemas de detección de intrusiones basados en aprendizaje profundo contra ataques adversariales, manteniendo al mismo tiempo una alta precisión en el tráfico benigno.