korshunov.ai
Español
Todos los artículos Página 1 / 109
arxiv arXiv cs.AI · hace 3 h

Redes Neuronales Físicamente Informadas de Física Dura-Blanda Adaptativas para la Resolución Robusta de EDP con Restricciones en los Límites

Este estudio propone una red neuronal físicamente informada unificada dura-blanda (HSPINN) con ponderación adaptativa de la pérdida para abordar la lenta convergencia y la aplicación inexacta de las condiciones de frontera de las PINN convencionales. El marco aplica exactamente las condiciones de frontera de Dirichlet y periódicas mediante elevación analítica o enmascaramiento, mientras trata los residuos de las EDP y las condiciones iniciales como restricciones blandas equilibradas por una estrategia de softmax inverso-proporcional.
arxiv arXiv cs.AI · hace 3 h

Repensando las Backdoors de Grafos Moleculares bajo Admisión Consciente de la Química

El artículo presenta ChemGuard, un protocolo operativo que formaliza la etapa de admisión pasada por alto en los pipelines de aprendizaje molecular al requerir cadenas sanitizables y una reconstrucción gráfica consistente. Este marco revela que muchas backdoors basadas en grafos existentes pierden eficacia porque sus venenos son químicamente inválidos o inconsistentes con la representación.
arxiv arXiv cs.AI · hace 3 h

Medición y mitigación del sobreajuste en modelos de lenguaje grandes para tribunales multilingües de derecho penal

Este artículo aborda el desafío del sobreajuste en modelos de lenguaje grandes utilizados en contextos de derecho penal del Tribunal Federal Suizo, donde las barreras de seguridad del modelo frecuentemente activan rechazos al procesar detalles sensibles de casos. Los autores presentan TF-RefusalBench, una evaluación multilingüe derivada de fallos públicos, para medir este fenómeno en francés, alemán, italiano e inglés.
arxiv arXiv cs.AI · hace 3 h

Diffusion-LLM consciente de la distribución para pronóstico robusto de series temporales a ultra largo plazo

Los autores proponen Diffusion-LLM, un marco que integra un modelo de difusión condicional en una pipeline basada en LLM para abordar desafíos en el pronóstico multimodal de series temporales. Este diseño conjunto permite el aprendizaje de las distribuciones futuras de datos mientras mejora la alineación semántica dentro de un espacio latente compartido.
arxiv arXiv cs.AI · hace 3 h

Localización automatizada de fallos semánticos en SysML v2 mediante LLMs aumentados con grafos de conocimiento

Este artículo presenta un marco de trabajo humano-en-el-bucle para identificar y reparar automáticamente errores semánticos en modelos SysML v2 que los compiladores no pueden detectar. El enfoque combina Pequeños Modelos de Lenguaje ajustados finamente con un grafo de conocimiento del dominio para fundamentar las sugerencias de reparación en restricciones de ingeniería válidas.
arxiv arXiv cs.AI · hace 3 h

Litmus: Especificación de métricas impulsada por código y sin etiquetas para evaluar sistemas de IA

Litmus es un sistema sin etiquetas que diseña métricas de evaluación y monitoreo para pipelines de IA al elicitar la intención de evaluación a partir del código fuente y el interrogatorio dirigido. En lugar de asumir que el objetivo de la evaluación es conocido, identifica lo que debe medirse y por qué para construir un portafolio de métricas justificado.
arxiv arXiv cs.AI · hace 3 h

ReasoningLens: Visualización jerárquica y auditoría diagnóstica para modelos de razonamiento grandes

La aparición de Modelos de Razonamiento Grandes ha introducido trazas de Chain-of-Thought excepcionalmente largas, creando una carga de transparencia donde la lógica crítica a menudo queda enterrada bajo un texto procedural masivo. Para abordar esto, los autores presentan ReasoningLens, un marco de código abierto diseñado para la visualización jerárquica y la auditoría diagnóstica de cadenas de razonamiento complejas.
arxiv arXiv cs.AI · hace 3 h

HyperQuant: Una canalización de cuantización óptima en tasa-distorsión para modelos grandes de lenguaje y difusión

HyperQuant es una canalización unificada de cuantización post-entrenamiento diseñada para los pesos y la caché KV de transformadores grandes de lenguaje y difusión, combinando transformadas de Hadamard con cuantización óptima de retículos. El método supera a esquemas recientes como HIGGS, TurboQuant y OCTOPUS en varias tasas de bits mientras mantiene una calidad casi sin pérdidas.
arxiv arXiv cs.AI · hace 3 h

GRINQH: Jerarquía de Cuantización Basada en Entrada Graduada para Generación Eficiente de LLM

Los investigadores proponen GRINQH, un marco de cuantización post-entrenamiento solo de pesos que acelera la decodificación de modelos de lenguaje grandes al unificar la cuantización y la esparsificación. El método aprovecha las magnitudes de activación para asignar dinámicamente los canales de peso a diferentes niveles de precisión, abordando la naturaleza limitada por memoria de la etapa de decodificación.
arxiv arXiv cs.AI · hace 3 h

SPIRAL: Aprender a buscar y agregar

Los autores presentan el Aprendizaje por Refuerzo Secuencial-Paralelo-Agregativo (SPIRAL), un marco que entrena modelos de lenguaje para utilizar simultáneamente primitivas de razonamiento secuencial, paralelo y agregativo. A diferencia de los métodos estándar de post-entrenamiento que optimizan únicamente para el razonamiento secuencial de una sola traza, SPIRAL unifica estos componentes en una única canalización de cómputo de inferencia. El modelo primero muestrea trazas independientes en paralelo utilizando razonamiento cadena-de-pensamiento y luego genera una traza de agregación final condicionada a esas entradas. Todo este proceso se optimiza de extremo a extremo contra la recompensa de la respuesta agregada final utilizando técnicas de aprendizaje por refuerzo basado en conjuntos y aprendizaje por refuerzo estándar. Los experimentos en tareas de razonamiento demuestran que SPIRAL escala efectivamente con los recursos de cómputo de inferencia. El enfoque supera a GRPO hasta 11 veces en eficiencia de escalado y logra un 15% más de rendimiento cuando se escalan las tres primitivas de cómputo.
arxiv arXiv cs.AI · hace 3 h

AOHP: Un arnés de agente a nivel del sistema operativo de código abierto para interacciones personalizadas, eficientes y seguras

El Proyecto Android Open Harness (AOHP) es un arnés de agente a nivel del sistema operativo de código abierto construido sobre el Proyecto de Código Abierto de Android. Aborda la discrepancia entre los sistemas operativos actuales centrados en aplicaciones y las necesidades de los agentes de IA autónomos, tratando a los agentes como actores de primer nivel del SO. El diseño introduce tres mecanismos clave: composición de servicios personalizados, interfaces eficientes para agentes y flujo seguro de información. Estas características permiten interfaces de usuario adaptables y entornos de ejecución amigables para agentes, preservando al mismo tiempo el ecosistema existente de Android. Los experimentos preliminares en tareas desafiantes demuestran mejoras significativas en el rendimiento en comparación con los sistemas convencionales. Específicamente, AOHP logró un aumento del 21.12% en las tasas de finalización de tareas en comparación con los métodos base. También redujo los costos de ejecución de tokens en un 51.55%, destacando sus ganancias de eficiencia. Además, el sistema mostró una mejor cumplimiento de las políticas de seguridad durante las interacciones mediadas por agentes.
arxiv arXiv cs.AI · hace 3 h

El auge del lenguaje militarizado en los resúmenes científicos erosiona la credibilidad

Un estudio que analiza 21.4 millones de artículos de OpenAlex y PubMed revela que los términos militaristas en los resúmenes científicos aumentaron un 48% y un 32%, respectivamente, entre 2010 y 2025. Este aumento se aceleró bruscamente después de 2019 y se correlaciona fuertemente con datos de conflictos globales a escala nacional y anual. Las ciencias sociales presentan la mayor prevalencia de este tipo de lenguaje, mientras que la ingeniería y la informática muestran las tasas de crecimiento más rápidas. El análisis también señala que la era de la COVID y el período posterior a 2022 de los modelos de lenguaje grandes redujeron la brecha lingüística entre autores nativos del inglés y no nativos. Para evaluar el impacto de esta tendencia, los investigadores realizaron un experimento de encuadre bélico dentro de los sujetos que involucró a 801 participantes y más de 32.000 ensayos. Los resultados experimentales demostraron que el encuadre bérico redujo significativamente la credibilidad percibida, la disposición a financiar y el apoyo a las políticas entre los lectores. Aunque hubo un aumento a nivel de tendencia en el sentido de urgencia, los hallazgos generales sugieren que el lenguaje militarista puede socavar el poder persuasivo de la comunicación científica.
arxiv arXiv cs.AI · hace 3 h

CADRE: Adaptación estable y eficiente en parámetros de modelos de lenguaje y visión médica con olvido acotado y deriva de previos

Los autores presentan CADRE, un marco eficiente en parámetros para adaptar modelos de lenguaje y visión médicos mientras se previene el olvido catastrófico y la deriva de previos. El método combina adaptación de bajo rango con un término de consolidación elástica de peso elástico escalado automáticamente en línea para acotar la pérdida de competencia retenida. También emplea una penalización ancla-a-previo para restringir la deriva de incrustaciones desde el modelo preentrenado congelado. Dos garantías breves respecto a la masa de consolidación y la invariancia de escala abordan la fragilidad de orden encontrada en EWC estándar. El enfoque se evaluó en datos de cáncer de mama a través de modalidades de histopatología, ultrasonido y radiografía de tórax. Al entrenar aproximadamente el 0.23% de los parámetros, CADRE logró la tasa de olvido más baja entre los métodos de adaptación. Esto representó una reducción siete veces mayor en comparación con la línea base regularizada más fuerte, bajando de 0.075 a 0.011. El modelo también demostró transferencia hacia atrás positiva donde todas las líneas base mostraron resultados negativos.
arxiv arXiv cs.AI · hace 3 h

DVL-DeepONet: Aprendizaje de operadores guiado por física para la navegación submarina resistente

Los investigadores proponen DVL-DeepONet, un marco de operador neuronal profundo guiado por física diseñado para mejorar la navegación de vehículos autónomos submarinos (AUV) en condiciones de sensores degradados. El sistema aborda desafíos derivados de mediciones ruidosas o incompletas del registro Doppler de velocidad y la ausencia de sensores inerciales en plataformas de bajo costo. Estima vectores de velocidad a través de tres escenarios operativos: estimación resistente al ruido con sensores acoplados, aprendizaje solo con DVL y recuperación de mediciones de haz. Al mapear observaciones temporales a la velocidad del vehículo mientras se imponen restricciones de consistencia física, el modelo mantiene su robustez durante perturbaciones ambientales. El marco fue validado mediante experimentos reales con AUV que cubrieron una longitud acumulada de trayectoria de aproximadamente 10,000 metros. Los resultados experimentales demuestran que las arquitecturas DVL-DeepONet superan a los algoritmos basados en modelos y aprendizaje por base por un 40%.