361 artículos
Este trabajo presenta la Frequency-Separable Hamiltonian Neural Network (FS-HNN), un modelo que descompone la función hamiltoniana en modos rápidos y lentos mediante múltiples redes neuronales entrenadas a distintas escalas temporales para superar las limitaciones de los métodos anteriores y mejorar la extrapolación a largo plazo en sistemas dinámicos complejos gobernados por EDOs y EDPs.
El artículo presenta CLAIRE, un marco de aprendizaje profundo híbrido que combina autoencoders no supervisados y clasificación supervisada para mejorar la detección de fallos en la fabricación inteligente mediante la reducción de dimensionalidad y la interpretabilidad de las características.
Este artículo introduce el concepto de corredores de barrera de control, que unifica las funciones de barrera de control y los corredores de movimiento seguros para permitir la selección de objetivos persistentes y verificablemente seguros en la planificación de trayectorias de robots autónomos en entornos desconocidos.
Este artículo propone un esquema de control predictivo basado en datos (MPC) de tipo min-max adaptativo para sistemas lineales variantes en el tiempo, que actualiza en línea la ganancia de retroalimentación de estado mediante un programa semidefinido para garantizar la estabilidad exponencial y el cumplimiento de restricciones, extendiéndose también a sistemas con ruido de proceso.
Este trabajo extiende un diseño previo de RIS híbrido alimentado por arrays básicos proponiendo un método pragmático para códigos de haz, evaluando el rendimiento en canales mmWave multipath realistas y estableciendo un marco de precodificación compatible con los estándares 3GPP 5G NR que logra alta eficiencia espectral manteniendo la simplicidad del hardware.
Este artículo presenta un marco novedoso de dinámica adaptativa consciente de la incertidumbre para robots submarinos con manipuladores, que integra restricciones de consistencia física en la estimación en línea y demuestra mediante experimentos una convergencia rápida, alta precisión predictiva y viabilidad computacional para el control en entornos acuáticos.
Este artículo propone un método eficiente para estimar gráficos de interferencia en redes de sensores inalámbricos mediante la integración de la medición de potencia con la inundación concurrente, permitiendo realizar ambas tareas simultáneamente en dispositivos comerciales sin sacrificar el rendimiento de la transmisión de datos.
Este artículo propone un marco de aprendizaje distribuido basado en datos, denominado DDKL-PT, que permite a múltiples agentes alcanzar un consenso sobre un modelo global de dinámica mediante el intercambio de estimaciones locales de redes neuronales profundas en lugar de compartir trayectorias privadas, logrando así un control óptimo preciso sin comprometer la privacidad de los datos.
Este artículo propone un método de control robusto para la estabilización de ecuaciones diferenciales parciales hiperbólicas lineales con incertidumbre de salto de Markov, utilizando operadores neuronales para aproximar los núcleos de backstepping y garantizando la estabilidad exponencial en media cuadrática mediante análisis de Lyapunov, lo cual se valida mediante simulaciones en el control del tráfico en autopistas.
El artículo presenta SHIELD, un marco de detección de ransomware independiente del host que utiliza características profundas del sistema de archivos registradas a nivel de controlador de almacenamiento para identificar y mitigar amenazas con alta precisión y resistencia a la evasión.
El artículo presenta el Geometric SSM, un modelo de espacio de estados lineal e invariante en el tiempo que logra selectividad mediante el control geométrico y subsistemas invariantes, superando a Mamba en tareas de patrones secuenciales sin sacrificar la eficiencia computacional.
Este trabajo propone un algoritmo novedoso para el aprendizaje por refuerzo multiagente que mejora la eficiencia en el uso de muestras mediante una exploración selectiva guiada por la curtosis de un ensemble descentralizado, un crítico centralizado con regularización de diversidad entrenado con una variante truncada de TD() y una mezcla de funciones de pérdida on-policy y off-policy, logrando superar a los métodos más avanzados en diversos benchmarks.
Este trabajo utiliza la teoría de contracción para demostrar que la semicontracción en el espacio observable es una condición suficiente para que dos redes de sistemas no lineales, como osciladores de Kuramoto, sean indistinguibles a partir de mediciones parciales, lo que limita la identificabilidad de sus estructuras topológicas.
Este trabajo analiza las limitaciones para identificar la topología de sistemas lineales en red a partir de mediciones parciales, demostrando que la ambigüedad estructural está determinada por el espacio nulo de la matriz de observabilidad y que observar más del 6% de los nodos permite clasificar correctamente aproximadamente el 99% de las conexiones.
Este artículo presenta un método ligero y en tiempo real para la detección de deslizamiento y la estimación del coeficiente de fricción en carreras autónomas, el cual utiliza únicamente datos de IMU, LiDAR y acciones de control sin depender de modelos dinámicos complejos ni grandes conjuntos de datos de entrenamiento.
Este trabajo propone un marco para la gestión de conflictos entre xApps en O-RAN que combina aprendizaje automático explicable e inferencia causal para identificar relaciones causales entre parámetros de control y KPIs, permitiendo a los operadores cuantificar el impacto de dichos conflictos y resolverlos de manera efectiva.
Este artículo propone un método de optimización dispersa multi-periodo que identifica proactivamente las fuentes de vulnerabilidad persistentes en redes eléctricas ante eventos extremos, integrando restricciones de persistencia y formulaciones basadas en teoría de circuitos para garantizar la escalabilidad en sistemas de gran tamaño.
Este artículo presenta y valida experimentalmente un marco práctico basado en una matriz conductora de amplitud y fase que permite emular múltiples objetivos con perfiles arbitrarios de RCS, rango, ángulo y Doppler para la prueba de estaciones base ISAC en entornos de laboratorio controlados.
Este artículo presenta un marco de control difuso guiado por semántica que utiliza Modelos de Lenguaje Grandes (LLM) para comprimir observaciones multimodales en tokens interpretables y coordinar enjambres de robots subacuáticos mediante comunicación lingüística, logrando una cobertura cooperativa robusta y eficiente en entornos desconocidos sin acceso a GPS ni mapas globales.
Esta carta introduce dos nuevas formulaciones del marco FrBD basadas en los modelos viscoelásticos lineales más generales (Maxwell y Kelvin-Voigt generalizados), demostrando que satisfacen las propiedades de acotamiento y pasividad para cualquier parametrización físicamente significativa y ilustrando su aplicación en el diseño de control robótico.