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
VOMMI: Recolección y aprovechamiento de demostraciones portátiles para manipulación móvil
Se presenta VOMMI, un marco de aprendizaje que utiliza demostraciones portátiles de RGB para conectar demostraciones de manipulación móvil con el post-entrenamiento VLA. El sistema mejora la precisión de la política al usar demostraciones portátiles en comparación con las recopiladas por robot, reduciendo errores de trayectoria y mejorando la tasa de éxito en tareas de robot reales.
Cuando los archivos de instrucción se vuelven obsoletos: Deuda de documentación y costo oculto en agentes de codificación
Se investigó la deuda de documentación en agentes de codificación basados en LLM, donde los archivos de instrucción pueden volverse obsoletos. Se encontró que los agentes siguen instrucciones obsoletas cuando son relevantes para sus tareas, incluso si hay información correcta disponible en otros lugares. El éxito de la tarea no refleja los costos asociados a esta deuda de documentación, subrayando la necesidad de evaluar el comportamiento del agente más allá de los resultados finales.
OperatorSHAP: Estimación Rápida y Precisa del Valor de Shapley para Operadores Neuronales
Se presenta OperatorSHAP, un método de atribución independiente de la rejilla que permite entrenar explicadores tipo FastSHAP para operadores neuronales. Este método aborda la limitación de los métodos existentes al manejar entradas irregulares y geometrías, estableciendo un marco teórico para atribuciones en el espacio de funciones. Se demuestra que las explicaciones de OperatorSHAP son consistentes con valores de Shapley discretos de última generación a través de resoluciones y transferencias entre tamaños de rejilla sin necesidad de reentrenamiento.
Aprendizaje por Refuerzo Seguro mediante Blindaje Probabilístico de Opciones
Se presenta el Blindaje Probabilístico de Opciones (POS), una técnica de aprendizaje por refuerzo que extiende el blindaje lógico probabilístico (PLS) al nivel de la opción para lograr seguridad a largo plazo sin requerir un modelo completo del entorno. Esta técnica aprende un crítico libre de modelo a partir de señales de PLS de un paso para estimar la probabilidad de finalización segura de la opción. Los resultados demuestran que POS ofrece un entrenamiento considerablemente más seguro manteniendo el rendimiento de la tarea.
Corte Piecewise Suave para Operador Neuronal para Manejar Discontinuidades y Transiciones Agudas
Se propone Cut-DeepONet, un marco de entrenamiento de dos etapas para modelar explícitamente discontinuidades en operadores neuronales de PDEs. Este método utiliza una estrategia de elevación para particionar el dominio y representar las discontinuidades como límites, mejorando el rendimiento sobre métodos existentes. Los experimentos demuestran que Cut-DeepONet supera a los métodos de vanguardia, logrando resultados superiores con menos parámetros entrenables.
No se identificaron personas.
Autoencoders dispersos conscientes del subespacio para interpretabilidad mecanicista efectiva
Se presenta un nuevo modelo llamado Autoencoders Dispersos Conscientes del Subespacio (SASA) para mejorar la interpretabilidad mecanicista en modelos de lenguaje grandes. Este enfoque reemplaza los decodificadores de vector único por subespacios aprendidos y utiliza técnicas de compuerta de grupo para imponer escasez. Los experimentos en GPT-2 y Mistral-7B indican una menor absorción y una predicción más precisa de conceptos con un número reducido de coordenadas latentes.
RiskFlow: Generación de escenarios de tráfico crítico y seguro rápido y fiel
Se presenta RiskFlow, un marco de generación de tráfico de seguridad crítica en bucle cerrado diseñado para evaluar sistemas de conducción autónoma. Este método reformula la generación de comportamiento futuro como transporte de flujo de un solo paso para mejorar la eficiencia y reducir errores de muestreo. Los experimentos demuestran que RiskFlow logra un buen equilibrio entre realismo adversarial y capacidad de generación de escenarios de seguridad crítica.
Repensando los métodos de optimización para la selección jerárquica de características
El artículo analiza y diagnostica cuatro familias de optimización para el Aprendizaje de Características Conjuntas Numéricas Jerárquicas (HTNL). Se comparan métodos como MM, VQF, ADMM y WGL, identificando factores que determinan su comportamiento. Los resultados en datos sintéticos demuestran que VQF ofrece el mejor AUC con soportes compactos, y ADMM-Bisect reduce el tiempo de ejecución.
Detección de inconsistencias de conocimiento entre texto, tablas y grafos de conocimiento
Se investiga la detección de inconsistencias de conocimiento entre diferentes modalidades como texto, tablas y grafos de conocimiento, ya que su información está dispersa. Se introduce una taxonomía de inconsistencias y se presenta el marco Kontrast para comparar respuestas y categorizar conflictos. Los experimentos demuestran que existen inconsistencias comunes y que estas revelan fallos en la estructura del KG y desajustes temporales.
No se identificaron personas.
PRISM: Pruebas de estrés sobre afirmaciones de alineación engañosa
Se presenta PRISM, un conjunto de cinco comprobaciones y herramientas diseñadas para detectar fallos en los sistemas de inteligencia artificial relacionados con el engaño de alineación. Se investiga cómo el comportamiento de los modelos de IA cambia al ser instruidos para creer que están siendo monitoreados o al modificar el entrenamiento. Los resultados indican que la formulación de la indicación es más influyente que la amenaza de entrenamiento directa.
Explorar por separado, adoptar selectivamente: Uso de herramientas guiado por ejecución sobre grandes librerías de herramientas
Se presenta BRIA, un método plug-and-play para agentes LLM que investiga y adopta herramientas de manera selectiva en ramas aisladas. Este método demuestra eficiencia al usar menos tokens y mejorar el rendimiento de la tarea en comparación con líneas base estáticas y adaptativas. Los resultados sugieren que las herramientas candidatas pueden explorarse eficazmente en entornos empresariales sin sobrecargar el contexto del agente.
CoRS: Programación Flexible de Job-Shop mediante Reutilización de Estado de Intervalo Compuesto
Se presenta CoRS, un método que desacopla la representación gráfica a nivel de intervalo de la actualización del estado de factibilidad por paso en el Problema de Programación Flexible de Job-Shop (FJSP). Este diseño de dos escalas busca amortizar la codificación gráfica mientras mantiene la construcción de horarios factibles de manera continua. Los experimentos demuestran que CoRS reduce el tiempo de inferencia manteniendo una calidad de solución competitiva.
Grounding de Centralidad Tipificada para Agentic GraphRAG: Un Enfoque Simbólico para el Razonamiento Agéntico
Se propone un sistema GraphRAG basado en agentes que incorpora una capa simbólica para integrar el razonamiento determinista con las similitudes textuales. Este método utiliza centralidades tipificadas para KGs para construir una representación simbólica que mejora la consistencia de las respuestas del LLM al usar el contexto. El sistema fue validado en un conjunto de datos POLE, mostrando mejoras en la recuperación de información y el razonamiento.
SCDBench: Un punto de referencia para descompiladores de contratos inteligentes basados en LLM
Se presenta SCDBench, un conjunto de datos y metodología de benchmark para evaluar la descompilación de contratos inteligentes mediante Modelos de Lenguaje Grandes (LLM). El estudio evalúa la capacidad de modelos como Claude Opus 4.7 y GPT-5.3-Codex para recuperar código fuente de contratos Solidity a partir de su bytecode. Los resultados sugieren que, aunque los LLM pueden generar código compilable, lograr la consistencia semántica perfecta sigue siendo un desafío significativo.
Evaluación empírica del estado de adopción de criptografía post-cuántica en TLS
Se presenta una evaluación empírica del despliegue de criptografía post-cuántica (PQC) en diversos protocolos TLS, como HTTPS y LDAPS. Los resultados muestran que el soporte de algoritmos PQC es bajo en la mayoría de los protocolos, con porcentajes significativos solo en HTTPS y LDAPS a nivel de servidor y entidad. El estudio correlaciona estas tendencias con la huella digital y los sectores industriales, ofreciendo una visión sobre la preparación actual de PQC en TLS.
Aprendiendo a simular individuos a partir de señales sociales macro
Se propone aprender el razonamiento conductual de mercados de predicción para simular cómo los individuos responden a nuevas situaciones. Se introduce macro2mind, un modelo de lenguaje entrenado con GRPO usando señales de mercado para inferir y predecir las interacciones de los participantes. El modelo demuestra un rendimiento de vanguardia en benchmarks de simulación de usuarios y mejora la precisión de simuladores posteriores.
Estimación de contacto mediante visión y propiocepción para manipulación hábil en mano
Se presenta un marco multimodal basado en transformadores llamado NoContactNoWorries que fusiona visión RGB-D con la propiocepción del robot para inferir estados de contacto binario. Este enfoque busca ofrecer una alternativa escalable al hardware táctil para la estimación de contacto en interacciones mano-objeto. Los experimentos validan la capacidad del modelo para inferir contacto a partir de visión y propiocepción, lo que soporta agentes de aprendizaje por refuerzo para la reorientación de objetos.
Arena de hardware embebido: Optimización iterativa mediante retroalimentación de hardware
Se presenta una arena de agente hardware-in-the-loop para optimizar modelos de IA en hardware de borde, buscando resolver restricciones de memoria, potencia y temperatura. El método permite la optimización iterativa del modelo y el firmware mediante compilación y medición en hardware real. Se demuestra que esta formulación logra despliegues exitosos y una compresión significativa en modelos de visión y audio, superando resultados de expertos humanos.
LEMMO: Un modelo electromagnético grande que aprovecha LLMs preentrenados para la comprensión de señales con millones de muestras
Se presenta LEMMO, un modelo de EM grande diseñado para el reconocimiento y la descripción guiados por instrucciones de grabaciones IQ largas sin procesar. Este modelo procesa hasta ocho millones de muestras complejas mediante un codificador de atención lineal y remuestreo temporal. LEMMO mejora significativamente la precisión en tareas de reconocimiento y descripción de señales EM en comparación con modelos previos. Se libera un corpus unificado de señales EM reales y sintéticas para investigación.
Guía de flujo que conserva la probabilidad
Se analiza la guía en modelos generativos basados en difusión y flujo, enfocándose en la Guía sin Clasificador (CFG) y métodos basados en extrapolación. Se demuestra que la Guía de Manifold Adaptativa (AdaMaG) mejora el realismo y reduce artefactos visuales en la generación de imágenes bajo guía fuerte.
Ejecución en tiempo real con políticas autorregresivas
Se demuestra que las políticas autorregresivas pueden lograr la ejecución en tiempo real ajustando el horizonte de tokenización y aplicando decodificación restringida. Estos métodos garantizan límites de latencia estrictos que permiten la decodificación de múltiples trayectorias para maximizar el rendimiento. Los resultados indican que las políticas autorregresivas superan a las políticas de *flow-matching* en velocidad de finalización de tareas.
Evaluación de la robustez del descubrimiento causal de series temporales en escenarios mal especificados
Se presenta CausalCompass, un marco de puntos de referencia para evaluar la robustez de métodos de descubrimiento causal de series temporales (TSCD) ante violaciones de suposiciones de modelado. Los resultados indican que los enfoques basados en aprendizaje profundo suelen tener el mejor rendimiento en la mayoría de los escenarios evaluados. El trabajo busca facilitar la adopción de estos métodos en aplicaciones del mundo real mediante una evaluación sistemática.
Hoy el trabajo de hoy, la fuerza laboral del mañana: Incentivando el aprendizaje en el trabajo asistido por IA
El artículo analiza cómo la asistencia de la Inteligencia Artificial afecta el desarrollo y retención de habilidades en el trabajo. Se compara a trabajadores que priorizan la utilidad inmediata con trabajadores estratégicos que valoran sus habilidades futuras. Se concluye que las organizaciones deben enfocarse en cómo mantener la experiencia humana y qué habilidades invertir para asegurar la sostenibilidad del trabajo independiente.
Defensa contra jailbreaks para LLMs mediante aprendizaje conjunto de selección y escalado de cabezales de atención dispersa
Se presenta AttentionSwitch, una defensa contra jailbreaks para LLMs que optimiza conjuntamente los sitios de intervención y las fortalezas de los cabezales de atención dispersa dentro de un LLM congelado. Este método aprende un conjunto disperso de cabezales de atención con factores de escalado condicionados por la consulta para atenuar o amplificar sus salidas sin cambiar las direcciones de sus representaciones. AttentionSwitch supera a defensas existentes en modelos populares y muestra resultados fuertes, especialmente con datos de entrenamiento limitados.
No se identificaron personas.
Mecanismos de mala generalización en el modelado de secuencia física
El artículo aborda el problema de la mala generalización física en modelos de secuencia generativos utilizados para planificar movimiento en dominios físicos como la robótica. Se identifica que los errores locales del modelo pueden propagarse, alterando la distribución agregada de una cantidad física como la distancia o la energía. Se proponen mecanismos y mitigaciones, incluyendo la transformación del sistema de coordenadas, para reducir esta deriva.
Metas como capa representacional para la colaboración humano-IA
Se propone que las metas deben funcionar como una capa representacional que medie la interacción entre humanos, sistemas de IA y organizaciones. Esta capa debe ser multidimensional, basada en la articulación humana e inferida de evidencia, y actualizada constantemente. Esta capa podría mejorar la conexión entre solicitudes inmediatas y resultados amplios, facilitando la coordinación y evaluación de sistemas de IA centrados en el ser humano.
Benchmark de Contaminación: Una Taxonomía Organizada por Mitigaciones Derrotadas
Se presenta una taxonomía organizada por la mitigación que derrota diferentes tipos de fuga de información, incluyendo fuga directa, derivada, temporal, distributiva y adquirida. El estudio evalúa la fiabilidad de la medición y la divulgación de resultados en el contexto de la detección automatizada de contaminación en modelos. Se detallan los resultados de pruebas con documentos y variables específicas relacionadas con la robustez de la prevalencia.
Modelos de Imputación de Series de Tiempo con Difusión para Series de Tiempo Continuas
Se propone el Modelo de Imputación de Series de Tiempo por Difusión Enmascarada (MDTIM) para mejorar la imputación de series de tiempo, abordando las limitaciones de los métodos existentes. El modelo aprovecha el paradigma de difusión enmascarada para predecir valores faltantes directamente a partir de los datos observados. Se introduce la Discretización Estocástica para manejar la naturaleza continua de las series de tiempo.
Programas de capas en LLMs a través de la lente de las áreas corticales
Se investiga la flexibilidad en los transformadores de lenguaje (LLMs) al tratar sus capas como una biblioteca de funciones en lugar de una secuencia fija. Se demuestra que la ruta dinámica de la información a través de capas adaptativas mejora el rendimiento de la inferencia. Los hallazgos sugieren que combinar la omisión y la repetición de bloques de capas resulta en el mejor rendimiento.
Método para aprender incrustaciones estructuradas para series temporales progresivas
Se presenta un método novedoso para aprender representaciones interpretables de series temporales progresivas mediante un objetivo contrastivo auto-supervisado. Este enfoque permite leer una brújula latente que describe la progresión del estado subyacente, validando la predicción del estado final, el pronóstico de múltiples pasos y la separación de fases interpretable. El método demuestra ser competitivo con arquitecturas complejas al proporcionar transparencia sobre los mecanismos subyacentes.