Zero-Shot Learning Industrial: Nuevo Benchmark, Desafíos y Línea Base
Descubre MMIO, el primer dataset industrial a gran escala para Zero-Shot, y RTVP, un método que logra 42.2% AP en detección de defectos sin entrenamiento
#arn
OSMGraphCLIP: Representaciones globales de ubicaciones desde OpenStreetMap
Descubre el modelo OSMGraphCLIP que aprende representaciones geográficas a partir de OpenStreetMap y supera a imágenes satelitales.
Predicción de demanda y optimización multiobjetivo para cadena de café circular
Descubre cómo un modelo híbrido CNN-LSTM y optimización multiobjetivo reducen costos y emisiones en cadenas de café circulares, maximizando la frescura.
Predicción de trayectorias y destino de buques con LLMs de razonamiento
Descubre cómo los LLMs con razonamiento y verificación mejoran la predicción de trayectorias y destino de buques a 30 días, superando a métodos tradicionales.
Resumen de Podcasts Tecnológicos - 17 Junio 2026
Descubre los 25 episodios de podcast más recientes sobre IA, cloud, ciberseguridad y desarrollo. ¡No te pierdas las novedades del 17 de junio!
IA e interfaz cerebro-computadora permite a paciente con ALS trabajar tiempo completo
Descubre cómo un paciente con ALS usa una interfaz cerebro-computadora con IA para trabajar y hablar con su hija. Precisión del 99%.
Clasificación automática de hiperfunción vocal con características jerárquicas
Descubre cómo un framework jerárquico de características logra AUC 0.891 para PVH y 0.728 para NPVH, clasificando hiperfunción vocal con machine learning.
Transferencia unicelular cruzada con ajuste adversarial de modelos base
Ajuste adversarial de modelos fundacionales permite transferir datos unicelulares a espaciales sin emparejamiento. Clave en biología computacional.
HARP: Selección eficiente de datos para ajuste fino de modelos de lenguaje grandes
HARP selecciona datos óptimos para ajuste fino de LLMs, reduciendo costos de entrenamiento hasta 7x y mejorando rendimiento hasta +8.9 puntos.
EvoCSFL: Selección Evolutiva de Clientes con Modelo Suplente para Aprendizaje Federado
Descubre cómo EvoCSFL optimiza la selección de clientes en Federated Learning con modelos suplentes y algoritmos evolutivos para mayor convergencia, menor
SHIELD-IDS: Ensemble Heterogéneo con Defensa en Capas para IDS
Descubre SHIELD-IDS: el ensemble heterogéneo con defensa en capas que logra >99% de precisión en IDS frente a ataques adversariales.
Datos instrumentados para aprendizaje automático científico causal
Descubre cómo los datos instrumentados (con modelos causales y contrafactuales) revolucionan el ML científico. Ideal para biología, clima, materiales y más.
Datos instrumentados para machine learning científico causal
Datos instrumentados: modelos, incertidumbre y contrafactuales para ML científico causal. Aplicaciones en validación y auditoría.
CANS: Acelerando la Inferencia Colaborativa Multiusuario en el Borde
CANS reduce hasta un 50% la latencia en inferencia colaborativa edge mediante aprendizaje autodidacta y partición inteligente de DNN.
Solapamiento de cómputo-comunicación para ML multi-GPU
Aprende a solapar cómputo y comunicación en GPUs múltiples. Reduce hasta un 25.5% el tiempo de entrenamiento ML sin modificar librerías.
Reconocimiento facial animal multiespecie mediante transfer learning
El reconocimiento facial animal mediante transfer learning logra hasta 96.85% de precisión en perros. ¿Y en primates y ganado? Descubre los resultados de
Más allá de los humanos: reconocimiento facial de animales con transfer learning
Descubre cómo el transfer learning reconoce animales por su cara. Perros: 96.85% precisión, primates y ganado. Sin microchips.
Atribución de Características en DAGs con Intervención en Aristas
Descubre DAG-SHAP: atribución en DAGs con intervención en aristas. Captura influencias externas y exógenas para mayor explicabilidad.
Avances en ML y DL para identificación de ganado: revisión completa
Descubre cómo ML y DL revolucionan la identificación de ganado. Revisión de técnicas avanzadas para mejorar bioseguridad y trazabilidad.
Programación agentica con LLM-as-Code para arneses de agentes
Descubre cómo la programación agentica con LLM-as-Code resuelve la explosión de tokens y alucinaciones de control, mejorando la fiabilidad de agentes de IA.