Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
176 píxeles de lado, un ordenador del tamaño de una habitación y un bebé de tres meses: así nació en 1957 la primera imagen digital de la historia
La noticia narra el nacimiento de la primera imagen digital escaneada en 1957, realizada por el ingeniero Russell Kirsch en un ordenador. Se detalla el proceso técnico, incluyendo el uso de válvulas y la capacidad de memoria del ordenador SEAC. Se menciona el desarrollo posterior de la tecnología de píxeles y las primeras aplicaciones en reconocimiento de huellas y análisis de células.
Desarmó su computadora para limpiarla después de varios años y quedó impactado con lo que encontró - LA NACION
Un usuario compartió en redes sociales las imágenes del estado interno de su computadora gamer después de seis años de uso intensivo sin mantenimiento. La acumulación de polvo y suciedad fue tan densa que generó preocupación, aunque el equipo continuó funcionando. Expertos advierten que esta negligencia puede causar fallos severos en componentes críticos como el procesador y la tarjeta gráfica, enfatizando la necesidad de una limpieza y mantenimiento regulares para prolongar la vida útil del hardware.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Computer Bild»
Más recientes primero · Hasta 30 noticias por página
PEARL: Modelado de optimización interactivo Solver-in-the-Loop a partir del lenguaje natural
Se presenta PEARL, un sistema para el modelado de optimización interactivo de solucionador que utiliza ejecución de Python y solucionadores de programación matemática en un ciclo iterativo. Este sistema aprende a probar modelos parciales y revisar diagnósticos del solucionador para mejorar las formulaciones y el código antes de la finalización. PEARL demuestra un mejor acuerdo objetivo ejecutable y es competitivo con modelos de referencia existentes.
PoEM: Predicción de resultados de RL a partir de políticas existentes
Se presenta PoEM, un marco para predecir los resultados de Aprendizaje por Refuerzo (RL) utilizando modelos entrenados previamente con otras recompensas. El objetivo es predecir la política RL óptima para una nueva función de recompensa sin necesidad de un entrenamiento adicional. El método aprovecha la combinación lineal de políticas existentes para aproximar la política objetivo.
Hacia una detección de fraude auditable: Combinando características de grafos, explicaciones de modelos e investigación de casos agente
Se presenta un *pipeline* de detección de fraude por capas que integra clasificadores, características de grafos, señales de anomalía y un agente de investigación LLM. El estudio evalúa la contribución de cada componente en la detección de fraude, encontrando que la justificación de un agente de investigación no siempre resulta en una decisión mejor. Se concluye que cada parte del sistema solo es efectiva bajo condiciones específicas.
Ediciones Mecanísticas Certificadas: Garantías de Comportamiento para la Eliminación y Preservación de Habilidades
Se presentan ediciones mecánicas como herramientas estándar para eliminar capacidades dañinas de redes neuronales manteniendo otras útiles. Se certifica el efecto de estas ediciones, garantizando que la eliminación de una habilidad preserve otra en regiones continuas de entradas. Se demuestra que ninguna prueba de caja negra determinista puede certificar la eliminación, incluso con pruebas exhaustivas.
No se identificaron personas.
VOIM: Mapeo de instancias 3D de vocabulario abierto sin entrenamiento para RGB-D y SLAM monocular
Se presenta VOIM, un sistema sin entrenamiento que genera mapas de instancias 3D de vocabulario abierto utilizando datos de video RGB-D o video RGB monocular. Este sistema acumula evidencia de etiquetas suaves de modelos de percepción preexistentes para determinar las etiquetas y las instancias de objetos. Los experimentos en ScanNet++ y la navegación en robots reales demuestran la usabilidad de estos mapas.
Monitorización en tiempo de ejecución con validez válida de certificados de barrera aprendidos
Se propone un monitor en tiempo de ejecución con validez válida para auditar certificados de barrera aprendidos, detectando la pérdida de soporte estadístico de la condición de barrera desplegada. El sistema utiliza pruebas de hipótesis secuenciales y transforma incrementos de barrera en una supermartingala para controlar falsas alarmas. El monitor busca detectar evidencia estadística de que el certificado de seguridad no es consistente con las dinámicas observadas.
Modelos de lenguaje no reportan estados de dolor inyectados
Un estudio evaluó si los modelos de lenguaje podían reportar un estado de dolor inyectado. Los resultados indican que, aunque se pudo distinguir el dolor de la tristeza, los modelos no lograron reportar el dolor en las capas principales de inyección. Sin embargo, los reportadores entrenados lograron recuperar el estado de dolor en tareas específicas.
No se identificaron personas.
Marco orientado a agentes para el análisis reproducible de datos de termorreflectancia en el dominio de la frecuencia
Se presenta Vibe-FDTR, un marco orientado a agentes que permite a los agentes de LLM realizar análisis de termorreflectancia en el dominio de la frecuencia (FDTR) de manera reproducible a partir de solicitudes en lenguaje natural. Este marco combina un paquete de código configurado con habilidades de agente para traducir intenciones en pasos de análisis verificables. Los resultados muestran que los agentes con Vibe-FDTR alcanzan tasas de éxito del 100% y 98.9% en tareas controladas, reduciendo el costo computacional y el tiempo de ejecución.
El teorema Pokémon: los criterios de equidad no pueden atraparlos a todos
Se presenta el teorema Pokémon, que establece que es imposible satisfacer todos los criterios de equidad algorítmica simultáneamente. Se argumenta que cumplir con un conjunto finito de criterios no garantiza la equidad total, ya que el modelo puede violar otros criterios. Se explora la posibilidad de lograr una equidad aproximada al encontrar la frontera de Pareto entre la equidad y el señal predictivo.
Muestreo estocástico consistente con SDE para el post-entrenamiento de RL en modelos de Flow-Matching
Se propone Precise, un nuevo muestreador estocástico que equilibra la exploración efectiva y la estabilidad en modelos de flow-matching. Este método mantiene la consistencia SDE de la trayectoria de eliminación de ruido mediante una aproximación que resuelve el problema del exceso de ruido. Los experimentos demuestran que esta formulación resulta en una optimización de recompensa más rápida y estable, logrando puntuaciones de alineación de vanguardia con menor tiempo de entrenamiento.
Señales tempranas de uso problemático de IA: Roles longitudinales de la motivación y el compromiso emocional
Un estudio longitudinal sobre 114 adultos reveló que la motivación para usar IA conversacional predice un uso problemático posterior de esta tecnología. Se encontró que la motivación para usar IA, especialmente para gestionar sentimientos y superar dificultades, se correlaciona con un uso problemático. Los resultados sugieren que la motivación de la IA puede servir como señal de advertencia temprana de un uso problemático.
No se identificaron personas.
Elsewise: Creación de narrativas interactivas abiertas con visualización del espacio de posibilidad
Se presenta Elsewise, una herramienta de autoría para narrativas interactivas basadas en LLM que utiliza un concepto de Trama Agrupada para mejorar la comprensión del espacio de posibilidad narrativa por parte del autor. El estudio de usuario indica que este enfoque mejora la anticipación del autor sobre la experiencia narrativa del jugador, facilitando un mejor control y exploración de dichas posibilidades.
PEEK: Corrección de sesgo de exposición con mirada hacia adelante de un paso para muestreo de difusión
Se propone PEEK, un plugin de muestreador determinista sin entrenamiento, para mitigar el sesgo de exposición en generadores de imágenes por difusión. PEEK realiza una actualización provisional de un paso y utiliza una predicción un paso adelante para mejorar la calidad de la imagen al mitigar el sesgo de exposición. Los experimentos mostraron reducciones en la Distancia de Percepción de Fréchet (FID) de hasta un 49.3% en varios modelos.
Deliberación No Recíproca de Tensor de Arista Tipada para Razonamiento Deductivo Contrafactual de Mundo Abierto
Se presenta una nueva arquitectura de razonamiento latente continuo de tiempo neuro-simbólica llamada TE-BPHD. Esta arquitectura combina conservación port-Hamiltoniana antisimétrica con transporte direccional no recíproco y amortiguamiento disipativo para mejorar el razonamiento deductivo. Los resultados demuestran que elimina la deriva de horizonte profundo y aumenta la precisión del razonamiento cíclico en benchmarks específicos.
Aprendizaje universal de incrustaciones voxel a voxel mediante síntesis aleatoria para localización de puntos de referencia
Se propone UNIVERS, un marco entrenable de extremo a extremo que aprende incrustaciones voxel a voxel universales mediante síntesis aleatoria para la localización de puntos de referencia en escaneos de volumen multimodales. Este método utiliza datos pseudo sintetizados con aleatorización para hacer el modelo robusto a variaciones en el contraste y resolución de la imagen. Los resultados demuestran que UNIVERS supera a los métodos de última generación en la localización de puntos de referencia, especialmente en escenarios de multimodalidad.
¿Cuántas exposiciones necesita un modelo mundial? Aprendiendo mecánicas de juego no vistas en el momento de la prueba
Se investiga cuántas exposiciones necesita un modelo del mundo para predecir las mecánicas de un entorno de juego desconocido. Se presenta el modelo WARC, un transformador de visión, que demuestra capacidad para predecir la mayoría de las mecánicas con alta precisión tras un entrenamiento específico. El trabajo también muestra que el entrenamiento en el momento de la prueba mejora significativamente la eficiencia de un explorador de grafos.
EarthJev: Adquisición de evidencia visual eficiente y toma de decisiones para la comprensión del teledetección UHR
Se presenta EarthJev, un marco diseñado para la respuesta a preguntas visuales (VQA) en teledetección UHR, enfocado en la adquisición eficiente de evidencia visual. El sistema separa la puntuación de regiones de la generación de respuestas, utilizando señales de decisión específicas para mejorar la precisión y reducir la latencia. EarthJev superó a ZoomSearch en cinco puntos de referencia, logrando una precisión media del 53.06% con el modelo Qwen3.5-9B.
Impacto algorítmico revela la estructura oculta de la elección social de alineación
El artículo aborda el problema de la elección social al alinear algoritmos de inteligencia artificial que afectan a múltiples personas. Propone una reformulación matemática que permite tratar el problema de alineación como una optimización lineal sobre un espacio de impacto convexo. Esto permite traducir protocolos de alineación en consecuencias de bienestar y viceversa, demostrando la viabilidad de mecanismos como la votación por temas.
¿Cuándo deberían reconsiderar los Modelos de Difusión de Lenguaje sus compromisos?
Se presenta el Aprendizaje Conjunto de Desenmascaramiento y Revisión Planificado (PURL) para Modelos de Difusión Enmascarados (MDMs) para unificar la generación paralela con la revisión selectiva de tokens. Este marco mejora la precisión en tareas como razonamiento matemático y generación de código, logrando mejoras de hasta 47.4% en precisión. El análisis sugiere que la generación paralela efectiva depende de hacer que los compromisos de tokens sean revisables en el momento adecuado, en lugar de revisar más tokens.
SkillDuet: Modelos y habilidades coevolutivos a través de feedback de respuesta
Se presenta SkillDuet, un marco que coordina la evolución de parámetros y habilidades mediante el feedback de respuesta del modelo. Este sistema extrae habilidades de trayectorias on-policy para guiar las actualizaciones de parámetros, consolidando las mejores habilidades en un conjunto global persistente. El framework demostró altas tasas de éxito en benchmarks como ALFWorld y WebShop, superando las líneas base existentes.
Inflación de tokens: Cómo los proveedores deshonestos pueden sobrecargar el uso de modelos de lenguaje grandes
El modelo de facturación por token es el estándar para los LLM comerciales, pero los proveedores pueden inflar sistemáticamente los recuentos de tokens facturados. Esto se debe a que ocultan componentes clave para proteger su propiedad intelectual y privacidad del usuario. Los resultados indican que la auditoría es defectuosa porque depende de la evidencia proporcionada por el propio proveedor. Se necesita verificación externa para asegurar la facturación honesta.
DiSARM: Minería de reglas de asociación diversas y sorprendentes con Modelos de Lenguaje Grande
Se propone DiSARM, un marco híbrido que utiliza el conocimiento del mundo de los Modelos de Lenguaje Grande (LLMs) para evaluar el interés subjetivo de las reglas de asociación, manteniendo la fiabilidad estadística y la diversidad. Este enfoque busca mejorar la Minería de Reglas de Asociación (ARM) al integrar el conocimiento del mundo con la fiabilidad estadística. Los experimentos demuestran que DiSARM ofrece un método prometedor para el Análisis Exploratorio de Datos (ADE) con datos transaccionales.
Auto-Rubric como Recompensa: De Preferencias Implícitas a Criterios Generativos Explícitos
Se presenta el marco Auto-Rubric as Reward (ARR) para reformular el modelado de recompensas, pasando de la optimización de pesos implícitos a la descomposición explícita basada en criterios. Este método externaliza el conocimiento de preferencia del modelo (VLM) como rúbricas específicas, lo que permite una evaluación más interpretable y reduce sesgos. La optimización posterior (RPO) demuestra que este enfoque logra un alineamiento multimodal más fiable y eficiente en datos que los modelos basados en comparación por pares.
Explorando la especialización y sensibilidad de redes neuronales convolucionales bajo aumentaciones de imagen simultáneas
Se propone un marco para investigar la inferencia interna de redes neuronales convolucionales bajo múltiples alteraciones de entrada simultáneas. El estudio evalúa redes como AlexNet, VGG11 y ResNet18, buscando entender la sensibilidad a estas transformaciones para mejorar sistemas de toma de decisiones autónoma. El marco desarrollado busca transferir sus hallazgos al estudio de redes neuronales biológicas complejas.
GeneZip: Compresión consciente de la región para modelado de ADN de largo contexto
Se presenta GeneZip, un marco de compresión de ADN consciente de la región diseñado para reducir la longitud de secuencias de ADN de largo contexto. Este modelo combina objetivos de ratio consciente de la región con enrutamiento limitado para lograr una compresión eficiente mientras preserva la utilidad predictiva. GeneZip demuestra una compresión significativa y un mayor rendimiento en el modelado de largo contexto.
Complejidad de punto de equilibrio: Una nueva perspectiva sobre solucionadores de ecuaciones diferenciales parciales neuronales
Se propone un marco de evaluación centrado en la complejidad de punto de equilibrio para solucionadores de ecuaciones diferenciales parciales neuronales. Este marco busca considerar los costos totales, incluyendo la generación de datos y el entrenamiento, para determinar cuándo un solucionador neuronal es más eficiente que uno tradicional. Los resultados sugieren que los solucionadores de PDE neural son más efectivos cuando los problemas son más complejos en términos de costo y dimensión.
Taxonomía y marco de evaluación unificado para los desplazamientos distributivos en el aprendizaje por refuerzo
Se presenta una taxonomía unificada para el desplazamiento distributivo en el aprendizaje por refuerzo (RL), abordando la inconsistencia existente en la literatura. La taxonomía factoriza la interacción en cinco componentes y define el cambio según qué componentes y bajo qué régimen de interacción ocurre. Se complementa con un marco de evaluación que mide la adaptación y la generalización.
Modelo de plegamiento guiado por proteómica estructural
Se presenta AIMS-Fold, una capa de guía para el modelo Boltz-2 que utiliza información de proteómica estructural positiva y negativa para mejorar la predicción de conformación en el diseño de PROTACs. Los resultados muestran que AIMS-Fold logra una recuperación de conformación del 86% en comparación con el 14% de Boltz-2 sin guía. Esto demuestra la importancia de integrar la señal estructural completa para mejorar los modelos generativos en el diseño de degradadores.
Vision Transformers para el agrupamiento de cero disparos de imágenes de animales: Un estudio comparativo de evaluación
Un estudio compara modelos Vision Transformer (ViT) para reducir imágenes de animales sin etiquetar a clústeres a nivel de especie. Se encontró que las incrustaciones DINOv3 con t-SNE y HDBSCAN lograron un V-measure de 0.943 a nivel de especie. El agrupamiento basado en estos métodos redujo el etiquetado manual en un 98.3%, acercándose a la precisión de la anotación manual.
Puzles a paradigmas: Un estudio de la colaboración humano-agente en la innovación científica
Se presenta un estudio que analiza la colaboración entre humanos y sistemas de IA agenticos en flujos de trabajo científicos como la síntesis de literatura y la generación de hipótesis. El estudio propone un marco para examinar cómo varían las demandas de coordinación y los riesgos de fallo en diferentes contextos científicos. Se identifican cinco modos de fallo recurrentes y se sugiere enfocar las evaluaciones hacia la fundamentación y la fiabilidad científica a largo plazo.