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
El valor de primer orden de covariables libres en el monitoreo de riesgo presupuestado
Se estudia cómo gestionar el presupuesto de etiquetas para detectar rápidamente un aumento de riesgo mientras se controlan las falsas alarmas. Se demuestra que ciertas reglas pueden detectar cambios en las entradas de manera eficiente, incluso cuando el riesgo permanece por debajo de un umbral de seguridad. Los experimentos sugieren que las covariables libres pueden ahorrar rondas al calibrar el presupuesto en la fuente de datos.
Comportamiento similar al de un solucionador en Modelos de Lenguaje Grandes como Formalizadores
Se investiga el comportamiento similar al de un solucionador (SLB) en modelos de lenguaje grandes (LLMs) que actúan como formalizadores. Se encontró que el rastro de razonamiento realiza gran parte del trabajo del solucionador, aunque el programa generalmente recalcula la respuesta. Se sugiere evaluar a los formalizadores por el camino que siguen sus programas, no solo por el resultado final.
LLM juez de trayectorias: Qué omite un LLM que solo juzga el resultado en trayectorias de agentes
Se realizó una prueba para evaluar un juez de LLM de trayectorias de agentes, determinando si detecta fallos en ejecuciones correctas. El estudio analiza la discriminación emparejada del juez en diferentes tipos de fallos y la fiabilidad de su detección de errores. Se recomienda reportar la discriminación emparejada contra ejecuciones limpias para mejorar el desarrollo fiable de agentes.
Interacción Bidireccional Adaptativa de Tareas para Segmentación y Clasificación de Ultrasonido Mamario
Se presenta un nuevo decodificador que permite el intercambio de características latentes entre las ramas de segmentación y clasificación en cuatro niveles. Se introduce una unidad de Ponderación de Interacción Adaptativa para ajustar el presupuesto softmax compartido entre ambas tareas. El modelo supera a las líneas base existentes en métricas de IoU en ultrasonido mamario.
Descomposiciones conscientes del solucionador para la programación por ejemplo: Cuando dividir requiere saber cómo conquistar
Se propone la descomposición consciente del solucionador (SAD) para la programación por ejemplo, buscando mejorar la precisión de la síntesis de programas. Los experimentos demuestran una paradoja de precisión donde la calidad de la descomposición depende del sintetizador que ejecuta los subobjetivos, no solo de la tarea. SAD mejora la síntesis y la precisión de la tarea en dominios de procesamiento de listas, incluso bajo transferencia cero-shot.
Efectos de las modalidades de participación de la audiencia de audio y visual en la agencia, colaboración y compromiso en performances de realidad mixta mediadas por IA
Se presenta CrowdForge, un paradigma mediado por IA y MR donde la audiencia controla colectivamente la música generativa y entornos virtuales en una performance en vivo. Un estudio evaluó tres condiciones de interacción (audio, visual y combinado) para determinar cómo estas modalidades influyen en la agencia, colaboración y compromiso de la audiencia. Se concluye que la observabilidad es el factor clave para la agencia, sugiriendo que futuros sistemas deben priorizar interacciones centradas en el humano y altamente observables.
WebHarbor: Entornos de sitios web ejecutables para entornos de agentes GUI en evolución
Se presenta WebHarbor, un conjunto de 153 entornos de sitios web ejecutables y dockerizados diseñados para proporcionar entornos realistas y estables para el entrenamiento y evaluación de agentes GUI. Esta plataforma permite la reconstrucción fiel de interfaces y flujos de trabajo funcionales de servicios web reales bajo control determinista. Se demuestra que un agente GUI entrenado con RL en WebHarbor generaliza bien a tareas no vistas, superando a agentes de código abierto en varios benchmarks.
- Zhaoyang Wang
- Qianhui Wu
- Boyu Gou
- Demi Wang
- Jiacheng Zhang
- Peichun Hua
- Qize Li
- Shi Qiu
- Yifan Jiang
- Yifan Zhang
- Zexu Jin
- Baolin Peng
- Bolin Shen
- Chetan Bansal
- Dehan Kong
- Deren Lei
- Dongshen Peng
- Fengqing Jiang
- Hao Cheng
- Haoqing Wang
- Jiaming Shan
- Jicheng Wang
- Jingguang Zhou
- Jixuan He
- Kaide Zeng
- Kangyu Zhu
- Lama Moukheiber
- Mufan Qiu
- Peng Xia
- Qihan Sun
- Qingwei Lin
- Qiushi Sun
- Ruichen Zhang
- Shuqing Luo
- Si Qin
- Sicheng Fan
- Tao Xiong
- Wenlin Yao
- Xinyu Zhang
- Xinyue Zeng
- Xuanrui Li
- Xuchao Zhang
- Yian Wang
- Yichao Liu
- Yiming Liang
- Yiyang Zhou
- Yizhu Jiao
- Yuetai Li
- Yurun Chen
- Yuxuan Zhang
- Zheyuan Yang
- Zhiyuan Yao
- Zhongyang Li
- Zihao Li
- Zili Wang
- Jianfeng Gao
- Huaxiu Yao
SQL-o1: Síntesis de programas Text-to-SQL automático mediante búsqueda heurística con auto-recompensa
Se presenta SQL-o1, un marco de búsqueda heurística basado en agentes y búsqueda MCTS para mejorar las capacidades de razonamiento de los modelos Text-to-SQL. Este método logra una mejora de 10.8 puntos en la precisión de ejecución en el conjunto de datos BIRD, superando a modelos basados en GPT-4. SQL-o1 demuestra una fuerte generalización few-shot y una robusta transferibilidad entre diferentes LLMs de código abierto.
SCOUT: Planificación bajo oclusión mediante despliegues de modelo de mundo centrado en objetos
Se presenta SCOUT, un marco de planificación consciente de la oclusión diseñado para robots que operan en espacios con objetos superpuestos. Este marco utiliza una representación centrada en objetos para reconstruir geometría oculta y determinar corredores de accesibilidad. SCOUT utiliza un LLM para proponer acciones y MCTS para evaluarlas, superando a otros modelos de planificación en tareas complejas.
Método híbrido de detección de anomalías para identificación de vehículos eléctricos a partir de registros de medidores inteligentes
Se propone un método híbrido de detección de anomalías para identificar vehículos eléctricos (VE) utilizando registros de medidores inteligentes. Este método combina técnicas basadas en predicción y reconstrucción para abordar el problema de desequilibrio de datos. El modelo se compara con métodos existentes y demuestra su superioridad con datos reales.
CUA-Master: Escalando Agentes de Uso de Computadora a través de Mejoras Recursivas de Mundo Abierto
Se presenta CUA-Master, un marco de mejora recursiva de doble bucle para abordar las limitaciones de los agentes de uso de computadora (CUAs) en diversidad y fiabilidad de datos. El sistema utiliza un modelo de datos del mundo exterior para guiar la construcción de datos, y un mecanismo interno para propagar semillas de mundo abierto. Los experimentos demuestran que CUA-Master-27B alcanza un rendimiento competitivo en varios benchmarks, mejorando la calidad y eficiencia de la síntesis de datos.
Implicaciones de la curiosidad y la base cultural en interacciones de LLM multi-agente
Se presenta el marco CuriousTogether para evaluar interacciones de LLM multi-agente impulsadas por la curiosidad, midiendo la búsqueda de novedad y la curiosidad epistémica y social. Los entornos guiados por curiosidad mejoraron el rendimiento en siete de ocho tareas, logrando ganancias significativas en generación de historias y reducción de sesgos. Estos hallazgos sugieren que la interacción guiada por curiosidad es un mecanismo práctico para mejorar la colaboración multi-agente en tareas de razonamiento y creatividad.
No se identificaron personas.
Transferencia de conocimiento funcional urbano a través de representaciones globales ante datos desiguales
Se investiga la transferencia de conocimiento funcional urbano a través de representaciones globales, dado que las observaciones funcionales están distribuidas de manera desigual. Se presenta el Embedding Urbano alineado con POI (PURE), que mejora el rendimiento en tareas de análisis urbano en 142 países y territorios. Los resultados indican que la transferencia de conocimiento es selectiva, favoreciendo contextos físicamente similares y geográficamente cercanos.
Creencias en la retroalimentación: Representaciones factorizadas de agentes interactuantes en transformadores
Se desarrolla un marco de mecánica computacional para estudiar agentes interactuantes en bucles de retroalimentación. Se demuestra que el comportamiento conjunto puede ser generado por un modelo de Markov oculto cuyas creencias bayesianas factorizan por agente. Los experimentos indican que los transformadores entrenados con estas secuencias aprovechan esta separabilidad, lo que permite desentrañar las creencias subyacentes. Esto establece bases para investigar la arquitectura predictiva composicional en modelos preentrenados.
¿Martillo o bisturí? Un marco adaptativo de grano fino para la detección implícita de discurso de odio
Se presenta un marco adaptativo novedoso llamado FAID para la detección de discurso de odio implícito, que clasifica y luego se adapta a categorías específicas. El sistema utiliza Prompt-Tuning para muestras superficiales, aumentación de conocimiento para comentarios dirigidos y un marco agente para comentarios dependientes del contexto. Los experimentos demuestran que FAID supera a las líneas de base SOTA en cuatro conjuntos de datos de referencia.
AttentionIndex: Acelerando la Atención Escasa Aprendida con un Índice Invertido Causal
Se presenta AttentionIndex, un método para acelerar la atención dispersa aprendida en modelos de IA. Este índice dirige las consultas a través de un índice de archivo invertido que agrupa claves por similitud. El método mejora el rendimiento de prellenado y la precisión en benchmarks de contexto largo en comparación con HiSA.
Investigación sobre los efectos del tamaño del parche en modelos fundacionales de series temporales
Se investiga cómo el tamaño del parche afecta a los modelos fundacionales de series temporales basados en parches, analizando su interacción con arquitecturas transformer. Los resultados indican que los modelos encoder-only se benefician de parches más pequeños, mientras que los modelos decoder-only funcionan mejor con tamaños intermedios de parche. La elección del tamaño del parche y la arquitectura debe ajustarse según el horizonte de pronóstico y las limitaciones de despliegue.
Generación de macro-operadores y selección de predicados para el aprendizaje de operadores TAMP
Se presenta un sistema para generar macro-operadores que comprimen secuencias de acciones en un solo paso de planificación, resolviendo el problema de la dificultad en tareas secuenciales largas. El sistema también poda predicados no referenciados por operadores aprendidos, reduciendo el estado simbólico. Este método logra hasta un 4.6 veces más velocidad de planificación en comparación con el método base y resuelve tareas secuenciales largas.
SpeechEQ: Evaluación del Coeficiente de Inteligencia Emocional en Modelos Conversacionales de Voz Socialmente Conscientes
Se presenta SpeechEQ, un marco para evaluar el razonamiento sociolingüístico de Modelos de Lenguaje Hablados (SLMs) mediante un conjunto de datos validado y un protocolo de evaluación basado en la teoría EQ-i 2.0. El estudio demuestra que los modelos multimodales actuales están limitados por dependencias textuales, lo que constituye una barrera para lograr una IA verdaderamente emocionalmente consciente.
OmniOPD: Destilación On-Policy para Generación Conjunta de Audio-Video
Se presenta OmniOPD, un marco de destilación on-policy diseñado para mejorar la generación conjunta de audio y video mediante el aprendizaje por refuerzo. Este método busca resolver la interferencia entre modalidades al transferir capacidades de modelos especializados. Se proponen técnicas como la construcción de información visual privilegiada y el muestreo de ruido agrupado para lograr una generación estable y equilibrada. Los resultados demuestran que OmniOPD mejora la generación de video manteniendo la calidad del audio.
Medición de la estabilidad de la explicación mediante la separabilidad
Se propone un marco basado en la distribución para medir la estabilidad de las puntuaciones de atribución en modelos de caja negra. El enfoque busca entender la separabilidad del vector de atribución clasificado y determinar el índice para el cual la clasificación de características es fiable. Este método extiende la comparación de métodos de atribución basándose en la robustez de sus clasificaciones en diferentes conjuntos de datos.
Descomponiendo series temporales irregulares en patrones temporales interpretables con mezcla de expertos
Se presenta MoTIF, un marco interpretable basado en atención de mezcla de expertos (MoE) para descomponer series temporales irregulares en patrones temporales de diferentes escalas. El método demuestra alta precisión en la recuperación de patrones y supera a modelos de secuencia estándar en predicción de valores futuros. Los resultados indican que descomponer la estructura temporal en patrones específicos y auditables no compromete la precisión predictiva.
Marco de IA basado en taxonomía para análisis y remediación automatizada de brechas del AI Act
Se presenta un marco agentico basado en taxonomía para el análisis y la remediación automatizada de brechas de cumplimiento en sistemas de IA de alto riesgo. Este marco coordina agentes especializados para extraer brechas y planificar acciones de remediación mediante puntuación multi-señal. El enfoque demuestra un alto rendimiento en la detección de brechas y la planificación de remediación, sugiriendo un camino hacia sistemas de cumplimiento automatizados con supervisión humana.
AgentHop: Un punto de referencia diagnóstico para la respuesta a preguntas multi-salto de agentes sobre grafos de citación científica
Se presenta AgentHop, un punto de referencia diagnóstico de 1,011 preguntas de opción múltiple diseñado para evaluar fallos en tareas de agentes que utilizan modelos de lenguaje grandes. El benchmark analiza las vulnerabilidades de los modelos a través de cuatro ejes: recuperación, síntesis, llamada a herramientas y gestión de recursos. Los resultados indican que el comportamiento de los modelos varía según su familia, revelando patrones distintivos en la forma en que utilizan las herramientas.
Aprendizaje por Refuerzo Guiado por Optimización Evolutiva de Políticas para Programación de Satélites de Observación Terrestre Heterogéneos Ajustables por Preferencia
Se propone un marco de optimización de política evolutiva para la programación de satélites de observación terrestre ágiles (AEOS) heterogéneos, abordando las dificultades de modelar restricciones dependientes del satélite. El método utiliza aprendizaje por refuerzo para seleccionar operadores de búsqueda, logrando una utilidad ponderada mayor y una convergencia más estable que los métodos metaheurísticos. Este enfoque busca optimizar la asignación de tareas y la secuenciación de observaciones bajo múltiples restricciones operativas.
JailbreakOPT: Optimización Iterativa de Prompts de Jailbreak con Macro-Acciones
Se presenta JailbreakOPT, un método que optimiza la optimización iterativa de prompts de jailbreak mediante la composición de transformaciones de prompts en macro-acciones. Este método utiliza muestreo Thompson contextual para aprender una política de selección de acciones, mejorando la tasa de éxito del ataque en comparación con métodos basados en acción única o iterativos. El objetivo es explorar vulnerabilidades residuales para mejorar las defensas contra ataques.
Evolución de habilidades de agentes mediante red-team de doble etapa a través de retroalimentación pre-ejecución y en tiempo de ejecución
Se presenta SkillDRE, un marco automatizado para evolucionar paquetes de habilidades maliciosas mediante un bucle de retroalimentación de doble etapa. Este sistema combina la evolución guiada por el escáner con el refinamiento guiado por tiempo de ejecución para mejorar la efectividad de las habilidades. Los resultados indican que esta retroalimentación de defensa de dos etapas es una señal de aprendizaje útil para el red teaming adaptativo.
Memoria de lado del agente como guía para modelos de acción direccionables en manipulación a largo plazo
Se presenta el modelo 2AM, donde la memoria de la tarea reside en el agente, y un Modelo de Acción basado en RGB ejecuta el movimiento. Los resultados demuestran que la memoria de la tarea puede permanecer en el lado del agente y que la capacidad del Modelo de Acción depende de la precisión con la que el agente puede dirigirlo. Se logró una mejora significativa en la finalización de tareas en comparación con las líneas base existentes.
Pensar globalmente, generar personalmente: Pensamiento multi-vista con generación adaptativa para recomendación
Se presenta el marco MV-Thinker, un enfoque para la recomendación generativa basado en ID semántico (SID) que aborda problemas de modelado de contexto y adaptación personalizada. El método coordina vistas de historial completo y reciente para generar contextos complementarios y utiliza adaptadores residuales para transformar adaptativamente los estados del decodificador. Los experimentos demuestran que MV-Thinker supera a las líneas base existentes en métricas de clasificación.
Color canónico como lente para la decodabilidad del concepto en codificadores de visión y VLMs
Se investiga el uso del color canónico como prueba para determinar si los codificadores de visión hacen accesible la información de color canónico incluso cuando se elimina el color de la imagen de entrada. El estudio demuestra que el color canónico sigue siendo decodificable a partir de imágenes en escala de grises y está vinculado a la identidad del objeto predicha. Se concluye que el entrenamiento posterior de los VLMs puede influir significativamente en la decodificabilidad del color en el codificador de visión.