2354 artículos
Este artículo introduce un referente de supervivencia unificado y multidimensional para la predicción del riesgo de abandono temporal utilizando el conjunto de datos OULAD, demostrando que las señales conductuales y temporales superan a los atributos estáticos al tiempo que destaca la necesidad de separar las familias de modelos para evitar artefactos de evaluación.
Este artículo propone un marco de aprendizaje profundo multimodal robusto que fusiona expresiones faciales, variabilidad de la frecuencia cardíaca y señales de voz utilizando CNN, BiLSTM y ECAPA-TDNN con un mapa autoorganizado para la fusión de características, logrando una precisión del 98,6% en el reconocimiento de siete estados emocionales y superando significativamente a las líneas base unimodales.
Este estudio propone un marco multimodal que aprovecha la dinámica del movimiento de la danza humana, extraída de puntos de referencia de la pose en videos de danza, para mejorar la recomendación personalizada de música al alinear mejor las pistas sugeridas con las preferencias rítmicas corporales y los estados afectivos de los usuarios.
Este estudio revela que la distintividad visual, en lugar de la mera rareza, es el principal motor de la memorización y de la vulnerabilidad de la inferencia de membresía en modelos de imágenes médicas ajustados finamente, demostrando que el preentrenamiento en el dominio médico no logra mitigar estos riesgos mientras que DP-LoRA los reduce eficazmente.
Este artículo propone la Calibración de Características para la Eliminación del Sesgo de Cámara (FCBE, por sus siglas en inglés), un marco que mitiga el sesgo inducido por la cámara en la reidentificación de personas no supervisada mediante la calibración métrica consciente del estilo y la calibración de la mediana consciente de la distribución, mejorando así la fiabilidad del agrupamiento y logrando un rendimiento de vanguardia en los conjuntos de datos Market-1501 y MSMT17.
Este artículo propone un mecanismo de Subasta Walrasiana de Doble Lado determinista y descentralizado para la Computación de Borde Multi-Acceso colaborativa que reemplaza los enfoques basados en IA, costosos computacionalmente y no adaptativos, con una oferta exacta óptima de KKT y un procedimiento de ajuste de precios en tiempo discreto, logrando una velocidad de ejecución, límites de energía y maximización del bienestar social superiores incluso bajo altas cargas de red.
Esta nota de medición audita la discrepancia entre las relaciones de compresión nominales y el contexto real visible para el lector que se retiene en un pipeline de QA con FLAN-T5 con tope, demostrando que si bien las relaciones nominales más altas aumentan los recuentos de tokens previos al envoltorio, la entrada final del modelo está significativamente constreñida por la sobrecarga de la plantilla y el truncamiento, y que la calidad de la selección de contenido importa más que el presupuesto de tokens por sí solo.
Este artículo presenta un marco de identificación neuronal con restricciones físicas que reconstruye simultáneamente las curvas de conversión térmica y estima con precisión los parámetros cinéticos de Arrhenius a partir de datos termogravimétricos de tasas múltiples, superando eficazmente el mal condicionamiento y la sensibilidad al ruido de los métodos convencionales para permitir una predicción robusta en tasas de calentamiento no vistas.
A pesar de un título que sugiere un enfoque en la clasificación del uso del suelo mediante imágenes satelitales, el artículo en realidad propone un marco de enrutamiento y agrupamiento seguro y eficiente energéticamente para Redes de Sensores Inalámbricos (WSN) asistidas por borde que integra una Red Neuronal Bayesiana Espacial, un Cifrado Simétrico de Búsqueda Investigable Dinámico con Privacidad hacia Adelante, un Algoritmo de Optimización del Calamar Humboldt para la selección de cabeceras de clúster, y un Twin Actor Twin Delayed Deep Deterministic policy gradient para el ciclo de trabajo con el fin de mejorar significativamente la eficiencia energética, la vida útil de la red y la tasa de entrega de paquetes.
Este estudio demuestra que para el pronóstico de la calidad del aire urbano y la temperatura en ciudades con limitaciones de recursos, los modelos fundacionales de aprendizaje cero (zero-shot) a menudo igualan o superan a los enfoques especializados y de aprendizaje por transferencia cuando se evalúan bajo restricciones realistas de datos y cómputo, desafiando la suposición de que los modelos fundacionales pesados son inadecuados para tales despliegues.