1062 artículos
Este artículo propone un paradigma de aprendizaje automático que evita la reconstrucción tradicional de imágenes para detectar directamente entidades de interés, tales como enfermedades, a partir de mediciones mínimas, reduciendo así significativamente los costos y el tiempo de adquisición mientras mantiene la precisión diagnóstica.
Este artículo propone un marco de asignación de tareas híbrido para sistemas multirobot heterogéneos que combina un Modelo de Lenguaje de Gran Escala para generar soluciones iniciales de alta calidad basadas en lenguaje natural con un algoritmo de búsqueda local de aceleración y desaceleración guiado por memoria, logrando una reducción del 17,07% en la duración total de la misión (makespan) en comparación con los métodos tradicionales, manteniendo al mismo tiempo la escalabilidad.
Este artículo presenta el Terapeuta de Habla Virtual (VST, por sus siglas en inglés), una plataforma impulsada por IA con un clínico en el bucle que integra la clasificación de la tartamudez basada en aprendizaje profundo con el razonamiento de modelos de lenguaje de gran tamaño multiagente para generar, criticar y refinar planes de terapia personalizados y basados en evidencia para la revisión e implementación de expertos.
Este artículo introduce el "Método del Lanzamiento de Dados", un protocolo estadísticamente fundamentado que reemplaza los fallidos supuestos paramétricos con un marco de modelos lineales generalizados mixtos de distribución binomial negativa y un análisis de potencia basado en simulaciones para establecer recuentos de iteración estandarizados y umbrales de fiabilidad para medir el sesgo estocástico en las salidas de los modelos de lenguaje de gran tamaño.
MobiShield es un novedoso marco de aprendizaje federado para la detección de malware en Android que aborda simultáneamente la heterogeneidad de datos no IID, el desplazamiento de concepto y la filtración de privacidad mediante la integración de ponderación de características adaptativa, detección de desplazamiento basada en Hoeffding y un mecanismo de privacidad diferencial dinámica que ajusta los niveles de ruido en respuesta a los cambios de distribución.
Este artículo propone un marco de aprendizaje federado que preserva la privacidad e integra un modelo híbrido de Red Neuronal Profunda y XGBoost para detectar eficazmente ciberamenazas en entornos del Internet de las Cosas Médicas, abordando al mismo tiempo los desafíos relacionados con la privacidad de los datos, la distribución de datos no IID y los ataques adversarios.
Este artículo propone un marco ligero y modular basado en la recuperación que detecta y corrige eficazmente las alucinaciones en los Grandes Modelos de Lenguaje mediante el aprovechamiento de la recuperación de evidencia por TF-IDF y la verificación ponderada, logrando una alta precisión de detección y una reducción significativa de las alucinaciones sin la sobrecarga computacional de la inferencia de múltiples LLM.
Este artículo propone un nuevo marco conceptual, Secure QoS-IPv6, que integra sinérgicamente la detección de anomalías impulsada por IA, una cadena de bloques de consorcio ligera y el enrutamiento basado en aprendizaje por refuerzo profundo dentro de una arquitectura de cuatro capas de SDN y 6TiSCH para abordar de manera integral los desafíos de seguridad, confianza y Calidad de Servicio en redes IoT IPv6 heterogéneas y con recursos limitados.
Este estudio demuestra que los resultados de riesgo de citación para artículos de gastroenterología clínica pueden predecirse con precisión utilizando únicamente información del tiempo de publicación, con líneas de base no semánticas y de incrustaciones de documento completo logrando un alto rendimiento en la identificación de artículos de baja citación dentro de un corpus de literatura delimitado.
El artículo propone CAFR, un marco de detección de dos vías que mejora la detección de objetos desconocidos mediante el empleo de un mecanismo de rectificación asimétrica para prevenir el exceso de confianza en categorías conocidas y un modelado de primer plano guiado por prototipos para mejorar la estimación de la presencia de objetos, logrando así una precisión y puntuaciones F1 superiores mientras mantiene un rendimiento estable en las categorías conocidas.