3899 artículos
Este estudio revela que el razonamiento de cadena de pensamiento químico en los modelos de lenguaje funciona como un borrador molecular propenso a las alucinaciones donde las afirmaciones estructurales fabricadas son comunes pero causalmente fundamentales para generar respuestas correctas, lo que requiere una supervisión a nivel de proceso sobre la simple evaluación de la respuesta.
Este estudio propone un novedoso marco de aprendizaje profundo híbrido que combina LSTM, Transformer y Optimización de Colonia de Hormigas (ACO) que, al ser optimizado con Nadam, logra una precisión y eficiencia computacional superiores para el pronóstico de la potencia solar y la carga eléctrica en tiempo real en comparación con modelos híbridos independientes y competidores.
Este estudio propone una Red Neuronal Bayesiana Cuántica que integra la ingeniería de características multiescala, el aprendizaje cuántico variacional y la inferencia bayesiana para lograr una detección de anomalías de ECG de alto rendimiento y consciente de la incertidumbre, demostrando que un modelo de codificación de Ángulo-Denso de seis cúbits con re-carga de datos alcanza un AUC de 0.91 al tiempo que valida su robustez mediante la ejecución en hardware cuántico físico de IBM.
Este artículo demuestra que los atajos de la decodificación especulativa y su combinación con técnicas de compresión de modelos pueden socavar significativamente la seguridad de los modelos de lenguaje al introducir cambios distributivos dominados por la filtración del modelo de borrador, lo que propone la aceptación con compuerta de alineación para restaurar las garantías de seguridad.
Este artículo presenta un marco post-hoc que mejora la fiabilidad e interpretabilidad de un detector YOLOv11 congelado para lesiones de la mucosa oral mediante el análisis de las densidades de incrustación de características para identificar predicciones no confiables y el uso de la recuperación de vecinos más cercanos para proporcionar explicaciones visuales, todo ello sin requerir el reentrenamiento del modelo.
Este estudio demuestra que, si bien el entrenamiento adversarial mejora significativamente la robustez de un modelo de aprendizaje supervisado cuántico de cuatro cúbits para la detección de intrusiones en redes frente a ataques de caja blanca, el rendimiento resultante sigue siendo inferior al de un perceptrón multicapa clásico, fallando así en respaldar una afirmación de ventaja cuántica en este contexto de seguridad.
FedCardioGuard es un marco de aprendizaje federado personalizado, consciente de la calidad y la incertidumbre, para la clasificación de ECG que mejora significativamente las puntuaciones macro-F1 y la calibración en datos no IID mediante codificación multiescala y fusión adaptativa, aunque actualmente presenta dificultades en el reconocimiento de clases raras debido a las limitaciones de inicio en frío y de transferencia de puntuación.
Este artículo propone formulaciones de tiempo continuo de AdaGrad, RMSProp y Adam como ecuaciones íntegro-diferenciales de primer orden y valida su precisión mediante simulaciones numéricas, análisis de estabilidad y estudios de convergencia, ofreciendo una nueva perspectiva teórica sobre los métodos de optimización adaptativa.
El artículo propone SSNet, una red de aprendizaje profundo con supervisión de forma que integra un modelo de mezcla gaussiana dispersa y una pérdida de forma oval para mejorar la precisión y la fiabilidad de la segmentación de instancias de núcleos en dominios cruzados en imágenes histopatológicas.
El artículo propone BCMGF, un novedoso modelo de reconocimiento de entidades nombradas para la agricultura china que mejora el rendimiento mediante la integración de características de glifos a nivel de trazo, un módulo de atención de interacción de características de múltiples niveles y entrenamiento adversarial para abordar eficazmente desafíos como los términos de dominio poco comunes y los límites ambiguos, logrando resultados de vanguardia tanto en conjuntos de datos agrícolas como de dominio general.