1061 artículos
Esta investigación propone un marco de aprendizaje automático que aprovecha métodos de ensamble e inteligencia artificial explicable para predecir fallos en almacenes de datos con hasta 15 minutos de antelación mediante el análisis de métricas del sistema, reduciendo así el tiempo de inactividad a través de la detección proactiva de anomalías y el análisis automatizado de la causa raíz.
A través de una investigación exhaustiva de Monte Carlo, este artículo demuestra que, si bien el tamaño de la muestra de entrenamiento es el principal motor de la fidelidad de la atribución SHAP, los tratamientos comunes para el desequilibrio de clases a menudo distorsionan las clasificaciones y magnitudes de las características, lo que lleva a los autores a recomendar evitar el reequilibrio en favor del pesaje de clases cuando la interpretabilidad de SHAP es una prioridad.
Este artículo introduce CLHA, un método de agregación de Hessiano de capa cruzada para la cuantificación post-entrenamiento de transformadores de Mezcla de Expertos con pesos compartidos que minimiza el error de reconstrucción total mediante la combinación de estadísticas de Hessiano a través de las capas compartidas, superando significativamente los enfoques de calibración por capa existentes y abordando también fallos críticos de implementación en la estimación del Hessiano.
Este artículo presenta el Lenguaje de Anotación Agéntica (AAL, por sus siglas en inglés), un novedoso sistema de anotación in-band que permite la inyección de contexto Just-In-Time para agentes autónomos, reduciendo significativamente el consumo de tokens y la contaminación del contexto en comparación con los archivos de reglas globales tradicionales, manteniendo al mismo tiempo un alto cumplimiento con las restricciones específicas del dominio.
Este artículo presenta el primer estudio de generalización entre conjuntos de datos para la detección de noticias falsas en urdu, revelando que un modelo entrenado con el conjunto de datos Ax-to-Grind falla catastróficamente cuando se aplica al conjunto de datos Notri-Fact debido a un confuso sistemático de longitud en los datos de entrenamiento que induce el aprendizaje de atajos, resaltando así fallos críticos en las prácticas actuales de construcción y evaluación de conjuntos de datos para el PLN de bajos recursos.
El artículo presenta la Red de Destilación Progresiva en Cascada (CPDN, por sus siglas en inglés), un novedoso marco de aprendizaje profundo que aprovecha la destilación de conocimiento de un maestro CatBoost para superar el estancamiento de la optimización y los problemas de no diferenciabilidad, logrando un rendimiento de clasificación de vanguardia en datos tabulares heterogéneos.
Este artículo demuestra que un enfoque de entrenamiento centralizado con ejecución descentralizada (CTDE) utilizando QMIX supera significativamente al aprendizaje Q independiente (IQL) y a las líneas de base no basadas en RL en la coordinación de la carga de vehículos eléctricos dentro de ciudades inteligentes, logrando mayores tasas de aceptación y probabilidades de éxito mientras gestiona eficazmente la observabilidad parcial y la dinámica del tráfico.
Esta revisión sistemática de 445 estudios recientes (2024–2026) identifica a los híbridos CNN-Mamba como la arquitectura más eficiente para el diagnóstico por imágenes médicas debido a su complejidad computacional lineal, al tiempo que destaca desafíos críticos como la pérdida de información espacial y el consumo de memoria que deben abordarse mediante bloques 3D nativos para permitir la integración clínica.
Este artículo propone y evalúa un marco híbrido de detección de intrusiones que combina el aprendizaje supervisado (Random Forest y XGBoost) con un modelo de detección de anomalías basado en un Autoencoder LSTM sobre conjuntos de datos alineados de IoT y la nube, demostrando que, si bien este enfoque mejora significativamente la robustez de la detección y la exhaustividad para ataques no vistos, requiere un compromiso con un aumento de los falsos positivos y una reducción de la precisión.
Este artículo propone YOLOv10n-FBD, un modelo ligero de detección de madurez de tomates cherry que integra la fusión de características CCFM, la atención PSA-BiFormer y una estrategia C2f-Dual para lograr una alta precisión (94.3% mAP) y velocidad (369 FPS) al tiempo que reduce significativamente el tamaño del modelo y la complejidad computacional en comparación con los métodos existentes.