2358 artículos
Este artículo presenta EMA-Det, una red de verificación de regiones de salida temprana y consciente del hardware para la detección de UAV de dos etapas que prioriza el recall sobre el mAP para superar los cuellos de botella del sistema, logrando un rendimiento superior en dispositivos de borde y demostrando la necesidad de un entrenamiento específico de dominio para aplicaciones térmicas-IR.
Este artículo propone la Localización de Fallos basada en el Espectro Semántico (SSFL, por sus siglas en inglés), un enfoque a nivel de método que aprovecha las distribuciones de los valores de salida en tiempo de ejecución para construir espectros semánticos, logrando una precisión de localización de fallos superior en comparación con las técnicas tradicionales basadas en espectros, basadas en aprendizaje y basadas en LLM sin requerir entrenamiento de modelos ni razonamiento en línea.
Este artículo presenta PW-Desc, un descriptor de características locales topológicamente estable que prioriza las garantías de estabilidad matemáticamente probadas bajo perturbaciones y transformaciones fotométricas sobre la precisión de emparejamiento bruta, lo que lo hace específicamente adecuado para aplicaciones de seguridad crítica como el registro médico y el análisis forense, a pesar de quedar por detrás de los métodos aprendidos de vanguardia en el rendimiento de los referentes.
El artículo presenta el Aprendizaje de Despacho Explicable con Conciencia de Cuello de Botella (BA-XLD, por sus siglas en inglés), una política de prioridad interpretable que mejora significativamente el rendimiento, reduce la tardanza y minimiza los tiempos de configuración en sistemas de fabricación flexibles dinámicos mediante el aprovechamiento de contribuciones de características aditivas aprendidas para adaptarse a perturbaciones estocásticas.
Este artículo propone un marco lexicográfico de dos etapas impulsado por trazas para la inferencia de IA geodistribuida que prioriza la viabilidad del servicio mientras optimiza las emisiones de carbono bajo estrictas restricciones físicas de agua, demostrando compensaciones ambientales significativas y proporcionando un referente reproducible para la asignación sostenible de recursos.
Este estudio demuestra que el uso de cantidades modestas de datos históricos del dominio objetivo para la calibración de probabilidad adaptativa al objetivo mejora significativamente la fiabilidad e interpretabilidad de las predicciones de riesgo estudiantil basadas en IA a través de cursos que experimentan cambios en los conjuntos de datos, sin comprometer el rendimiento de la clasificación.
Este estudio demuestra que los modelos de lenguaje de gran tamaño ajustados, particularmente ModernBERT-base, superan significativamente a los métodos tradicionales de palabras clave y a los enfoques de cero disparos (zero-shot) en la clasificación de los determinantes sociales de la salud dentro de las narrativas de subvenciones del NIH, al tiempo que identifican la calibración de umbrales como una estrategia crítica para abordar el desequilibrio de etiquetas.
Este artículo introduce el Marco Causal Intervencionista para el Mantenimiento Basado en la Condición (IC-CBM), el cual aprovecha el descubrimiento causal intervencionista y la normalización de residuos estructurales para superar el sobreajuste asociativo en la fabricación robótica multimodal, logrando una clasificación de condiciones operativas robusta e invariante al dominio con una precisión y exactitud fuera de la distribución significativamente mejoradas en comparación con las líneas base correlacionales tradicionales.
Este artículo introduce un marco de trabajo dual-SHAP que distingue entre relaciones correlacionales y causales en las explicaciones de aprendizaje automático al comparar atribuciones condicionales e intervencionales, demostrando su eficacia para diagnosticar la credibilidad causal a través de diversos resultados de encuestas sociales.
Este artículo propone un novedoso marco basado en visión que combina la detección de la pose humana, características de profundidad monoculares, mapeo de homografía y un modelo de corrección residual aprendido para estimar con precisión la distancia entre una cámara CCTV fija y una persona en entornos interiores sin acceso a GPS, logrando un error absoluto promedio de 0,159 metros.