2358 artículos
Este artículo propone un marco novedoso que introduce una Puntuación de Severidad de Alucinación (HSS, por sus siglas en inglés) basada en la inestabilidad semántica y el análisis de atribución SHAP dentro de un pipeline SMILE mejorado para detectar, cuantificar y explicar eficazmente las alucinaciones en la generación de resúmenes de texto basados en LLM.
Este artículo investiga la robustez de los estimadores de clasificación por pares de máxima verosimilitud frente a perturbaciones coordinadas y con restricciones presupuestarias utilizando el heurístico de Selección de Subconjuntos Adaptativos (ASSA), revelando que la fragilidad de la clasificación es altamente dependiente de los datos y sensible al régimen en lugar de ser universalmente predecible.
El artículo propone TDCO-Net, una Red de Optimización Colaborativa de Triple Dinámica que mejora el análisis de sentimiento multimodal mediante la integración del aprendizaje auxiliar modal dinámico, la calibración de polaridad visual-acústica basada en KAN y la selección de muestras impulsada por la confianza para abordar eficazmente las variaciones de fiabilidad de la modalidad y el ruido de las muestras de frontera.
Este artículo propone CAMF-Zero, un marco de razonamiento consciente de las contradicciones que aprovecha una novedosa Puntuación de Contradicción Consciente de la Consistencia (CACS, por sus siglas en inglés) para detectar amenazas de día cero en entornos de nube múltiple federados mediante la evaluación explícita de los desacuerdos semánticos a través de fuentes de telemetría heterogéneas, mejorando así significativamente la recuperación de detección y reduciendo los falsos positivos en comparación con los métodos existentes.
Este artículo propone un marco de fusión multimodal robusto y explicable que integra características visuales y textuales con un enfoque de aprendizaje de conjunto apilado para lograr una precisión de vanguardia (98.41%) en el reconocimiento de emociones, superando a los métodos unimodales al tiempo que garantiza la interpretabilidad mediante SHAP y LIME.
Este artículo propone un método GDD-TL robusto, el cual mejora el aprendizaje por transferencia con capas específicas para lograr una precisión del 94.33% en la clasificación de especies de mariposas, superando a las arquitecturas CNN estándar y demostrando una fuerte generalización a través de diversos conjuntos de datos.
Este artículo demuestra que una huella digital de un modelo de lenguaje transparente y despojada de dominio, derivada únicamente de resúmenes, puede superar significativamente a las métricas basadas en citas al predecir la replicabilidad de la investigación mediante el aislamiento de un eje de "verificabilidad" distintivo, explicando así por qué las citas fallan como indicador de la robustez científica.
Este estudio demuestra que el uso de la ciencia de datos y la inteligencia artificial para analizar sistemáticamente los metadatos de las publicaciones y construir modelos basados en grafos es una alternativa escalable, eficiente e imparcial a los métodos manuales para la creación de redes de investigación académica y clínica de la salud centradas en el alcohol, la adicción y la salud mental en el norte de Inglaterra.
Este estudio multicéntrico presenta un marco novedoso que combina un modelo de difusión guiado por un prior de Gabor para el aumento de datos sintéticos y una red de segmentación basada en el espacio de estados, los cuales mejoraron colectivamente la precisión de la delineación del derrame pericárdico y demostraron una robusta capacidad de generalización a través de conjuntos de datos ecocardiográficos internos y externos.
Este artículo presenta AIDA-AND, un marco de trabajo multiagente cooperativo que integra representaciones semánticas con evidencia de metadatos interpretables a través de agentes especializados para lograr una desambiguación de nombres de autores competitiva, modular y eficiente, reduciendo significativamente el tiempo de ejecución al tiempo que mejora el rendimiento en conjuntos de datos de referencia.