JEPAs descompuestos en subespacios: separando progresión y contenido en modelos latentes
SD-JEPA mejora el control en benchmarks al separar progresión y contenido en el latente; su brújula angular detecta eventos mejor que el error de predicción.
#detección
Representaciones hiperesféricas tiempo-frecuencia para detección de anomalías
Aprende cómo las representaciones hiperesféricas tiempo-frecuencia mejoran la detección de anomalías en series temporales. Resultados con k-NN y Mahalanobis.
¿La precisión en clasificación refleja la calidad de detección de deriva?
Descubre si la precisión de clasificación es una métrica confiable para evaluar la detección de deriva de concepto. Analizamos 8 métricas en flujos de datos sintéticos.
Puentes de Schrödinger basados en geometría para fusión multimodal fiable
Descubre cómo GMF usa corrección de transporte geométrica para evaluar fiabilidad en fusión multimodal, rompiendo la dependencia de confianza del modelo.
Descomposición de tipos de fraude y límites de detección por clase
Descubre por qué tratar el fraude como homogéneo es un error. Taxonomía de 5 clases de fraudes con límites de detección específicos en pagos.
Cómo la inteligencia artificial potencia el chat en vivo
Descubre cómo la IA transforma el chat en vivo con análisis predictivo, recomendaciones y detección de anomalías. Mejora la respuesta y la consistencia en tu atención al cliente.
Dando voz a los sensores: JEPA multimodal para series temporales
Descubre CHARM, el modelo JEPA multimodal para embeddings semánticos en series temporales. Ideal para anomalías y predicción.
Visión artificial para evaluar respuesta de peces a objetos en acuicultura
Novedoso sistema de visión artificial con YOLOv8 y seguimiento 3D analiza reacciones de peces ante objetos intrusivos en acuicultura.
Detección en cualquier escena: marco agéntico con razonamiento experiencial
Descubre DetAS-X, el marco agéntico que adapta la detección de objetos a cualquier escena, mejorando el F1 hasta un 37%.
SPUNA: aprendizaje PU robusto para detectar cambio de covariable
SPUNA detecta cambios de covariable con aprendizaje PU y geometría local, igualando rendimiento supervisado. Ideal para visión robusta.
Algoritmos de trigger basados en deep learning para Hyper-Kamiokande
Algoritmos deep learning para triggers en Hyper-Kamiokande logran 76.7% eficiencia en detección de neutrinos de baja energía, superando métodos clásicos.
Detección de odio en video con fusión multimodal razonada
Descubre cómo RAMF mejora la detección de odio en videos con fusión multimodal y razonamiento adversario, superando métodos actuales en 3% y 7%
KLIP: detección localizada de cambios de distribución con difusión
Descubre cómo KLIP detecta cambios localizados en imágenes sin datos de calibración, aplicado a TC hepáticas con tumores. Un avance en problemas inversos.
Optimización del equilibrio rendimiento-complejidad en modelos de voz
Descubre cómo optimizar el equilibrio entre rendimiento y complejidad computacional en modelos de voz usando una novedosa técnica de reparametrización.
Gap-K%: Método para detectar datos de preentrenamiento en LLM
Descubre cómo Gap-K% detecta datos de preentrenamiento en modelos de lenguaje usando la brecha de predicción top-1. Método nuevo que supera a los existentes
Sesgos en el punto ciego: detectando lo que los LLMs omiten
Detecta sesgos no verbalizados en LLMs con un pipeline automático. Identifica discriminaciones ocultas en decisiones de IA. Mejora la transparencia.
Detección de Anomalías en Series Temporales con Dinámicas de Consulta Predecible
Descubre AxonAD, detector no supervisado que predice consultas de atención para detectar anomalías en series temporales, mejorando localización y ranking.
MADQI: Métrica de calidad para detección de anomalías marítimas sin supervisión
Descubre MADQI, la nueva métrica de calidad para evaluar la detección de anomalías marítimas sin datos etiquetados. Resultados prometedores en datos AIS.
Medición, localización y ablación de firmas de alineación en LLMs
Descubre cómo medir y eliminar la firma de alineación en modelos de lenguaje con PASTA, reduciendo la detección de estilo IA manteniendo coherencia.
Escondite en trayectorias: detección de señales de fallo para monitoreo VLA
Aprende cómo Hide-and-Seek logra detectar fallos en robots VLA sin anotaciones paso a paso, mejorando la fiabilidad en tiempo real.