1017 artículos
Este artículo presenta un sistema de aprendizaje profundo basado en DenseNet-121 que logra una precisión del 96,52% en la clasificación de cuatro tipos de tumores cerebrales a partir de conjuntos de datos de RM de Bangladesh, empleando al mismo tiempo Grad-CAM y técnicas relacionadas para garantizar la transparencia y la confiabilidad del modelo.
Este artículo propone IDW-ADAFormer, un marco basado en iTransformer que integra la descomposición de Ponderación Inversa de la Distancia adaptativa, un módulo de atención de diversidad de alineación basado en núcleos y una función de pérdida consciente del AQI para lograr un pronóstico de mediano plazo preciso e interpretable de las concentraciones de material particulado distribuidas espacialmente.
Este artículo propone un algoritmo de enjambre de peces artificial híbrido de Pareto que integra mecanismos de alimentación mejorados y recocido simulado para optimizar simultáneamente la planificación de la secuencia de ensamblaje y el equilibrio de la línea de ensamblaje mediante la minimización de la pérdida de equilibrio, los tiempos de conmutación y el tiempo de ciclo.
Este estudio evalúa el desempeño del algoritmo Apriori en conjuntos de datos transaccionales sintéticos a gran escala para demostrar que, si bien la disminución de los umbrales de soporte aumenta la diversidad de las reglas, incrementa significamente los costos computacionales, resaltando finalmente la necesidad de equilibrar la profundidad algorítmica con la eficiencia mediante la selección óptima de umbrales.
Este artículo propone un algoritmo de Evolución Diferencial Adaptativa Cooperativa con Conciencia del Estado de la Población (PSAC-DE) que presenta un controlador de estado unificado para resolver un modelo de coordinación de semáforos de tráfico arterial de cuatro objetivos, demostrando mejoras significativas en el retraso, las paradas, el ancho de banda de la onda verde y las emisiones de carbono en comparación con los optimizadores convencionales en escenarios simulados de Hangzhou.
El artículo propone FreqPrompt-AD, un marco de trabajo libre de entrenamiento que mejora la detección y segmentación de anomalías industriales zero-shot mediante el aprovechamiento de la inducción semántica local guiada por frecuencia para superar las limitaciones del alineamiento global de imagen-texto en modelos de tipo CLIP, logrando un rendimiento de vanguardia en múltiples evaluaciones de referencia.
Este artículo introduce un marco de teoría de la medida basado en axiomas de utilidad para evaluar la racionalidad de los Modelos de Lenguaje de Gran Escala, revelando que muchos modelos exhiben violaciones sistemáticas de la transitividad de las preferencias que socavan la coherencia en la toma de decisiones, aun cuando algunos patrones reflejan el comportamiento humano.
TopoLeaf es un marco de detección de anomalías visuales sin entrenamiento y de aprendizaje cero para sistemas ciberfísicos agrícolas que combina la distancia geométrica y la homología persistente local sobre características de modelos fundacionales para identificar de manera robusta enfermedades de plantas novedosas y desviaciones estructurales a través de diversos dominios de cultivos sin requerir datos anotados.
Este artículo presenta una revisión sistemática de 80 estudios (2010–2026) que analiza la carrera armamentista en evolución entre la detección de ciberamenazas impulsada por IA y las técnicas de evasión adversarial, ofreciendo una taxonomía unificada, un análisis visual de tendencias y una evaluación crítica de los desafíos y direcciones futuras dentro de los entornos de seguridad de Confianza Cero (Zero Trust).
Este artículo presenta TimeSynth, un marco de evaluación controlada que expone las limitaciones de las métricas puntuales estándar al evaluar gemelos digitales de señales de salud, revelando errores significativos de fase y frecuencia en los modelos líderes, para así abogar por una selección de modelos impulsada por la arquitectura basada en diagnósticos de fidelidad temporal.