Un modelo ConvLSTM entrenado con datos satelitales de Ceará de 2000–2023 captó mejor las tendencias regionales de degradación del suelo que los cambios en celdas individuales de 2,2 kilómetros. Los investigadores dicen que estos últimos fueron en gran medida impredecibles.
Fuente: arXiv, Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics (arXiv:2610.13406)
Chronos Policy, de investigadores de Stanford, sincroniza observaciones y acciones de robots mediante marcas de tiempo en vez de pasos fijos. El preprint informa de una mayor conservación del rendimiento ante algunos cambios temporales.
Fuente: arXiv, Chronos Policy: Learning Robot Policies on Physical Time (arXiv:2610.13929)
Autores vinculados a CNRS IRISA en Rennes informan que, en experimentos con redes sintéticas, la difusión inversa recuperó un grafo de entrenamiento alterado, algo que pueden omitir las métricas habituales de muestras.
Investigadores de las universidades de Oslo y Xi’an presentaron una red neuronal de grafos para estimar flujos probabilísticos cuando cambia la topología de la red tras cortes de líneas. El modelo redujo el error de ángulo de fase frente a métodos de referencia en dos redes de prueba.
Fuente: arXiv, Hierarchical Graph Neural Network for Probabilistic Power Flow with Grid Topology Contingencies (arXiv:2610.13495)
Un estudio de Michigan Tech encontró que la precisión de detección de vehículos con LiDAR aumentaba con la intensidad de la nevada en dos conjuntos de datos de carreteras nevadas. Los autores atribuyen la asociación inesperada a cambios concurrentes en la densidad de puntos y la geometría de los objetos.
Fuente: arXiv, Beyond the Snowflakes: Disentangling Weather Effects from Confounding Meta-Factors in LiDAR Object Detection (arXiv:2610.13891)
Un preprint de autores afiliados a Paris Dauphine-PSL y CNRS evalúa el ajuste fuera de muestra de la selección de variables mediante búsqueda para una regresión explicativa del NASDAQ-100.
Un preprint de arXiv de un autor afiliado a la Universidad de Oslo establece límites constructivos que relacionan la arquitectura de redes con la topología de sus representaciones.
Investigadores de Ohio State y Wisconsin–Madison presentaron inferencia variacional amortizada y dispersa para datos espaciales. En un ejemplo de hielo marino ártico de NOAA, el modelo usó 1.398 parámetros variacionales para 21.855 observaciones.
El sistema Splat2Act, de investigadores de Georgia Tech, escanea un espacio interior con el móvil, crea un gemelo digital y adapta una política de recogida de objetos con demostraciones simuladas. El artículo probó el éxito de tareas en un brazo robótico.
Fuente: arXiv, Splat2Act: From Captured Scenes to Personalized VLA Manipulation (arXiv:2610.13945)
Investigadores de Estados Unidos y Canadá presentaron SecFD-FL, un método para predecir cargas de recarga de vehículos eléctricos sin centralizar datos distribuidos. El estudio probó pronósticos y ataques de inversión de gradientes con registros de Palo Alto y datos de EV WATTS.
Fuente: arXiv, SecFD-FL: Frequency-Decoupled Federated Learning with Secure Aggregation for Charging Load Forecasting in Internet of Electric Vehicles (arXiv:2610.12909)
Investigadores vinculados a NYU Abu Dhabi presentan un marco para comprobar si las pruebas escritas por modelos distinguen soluciones correctas de defectuosas.
Investigadores vinculados a instituciones francesas presentaron un detector de fallos robóticos que sigue la posición y las relaciones entre objetos durante una tarea. Lo evaluaron con una prueba existente y un nuevo conjunto de dos tareas.
Fuente: arXiv, Robot-WATCHDOG: failure detection through object-centric graph representation (arXiv:2610.13403)
HABER PAPER
Cinco ediciones. Una mirada más amplia.
Una perspectiva multilingüe de la economía mundial.
Si lo permite, Google Analytics puede medir las visitas y la actividad del sitio mediante cookies. Puede cambiar su elección más adelante.
Detalles de medición y privacidad
Google Analytics solo inicia las mediciones si usted lo permite. Tras el consentimiento, la medición automática puede incluir desplazamientos, clics en enlaces externos, descargas, interacción con vídeos, búsquedas en el sitio e interacciones básicas con formularios; los términos de búsqueda pueden detectarse en los parámetros de URL. El código de este sitio no envía los valores de los campos; la ocultación de correos electrónicos en la medición automática es un esfuerzo razonable, no una garantía. Nuestro evento manual de vista de página usa una URL depurada. Puede cambiar su elección más adelante. Las visitas que empiezan con consentimiento también pueden enviar mediciones numéricas LCP, INP y CLS tras cargar Analytics. Un primer consentimiento o uno posterior activa estas mediciones en la siguiente carga de página; retirarlo detiene estos informes para la página actual. La cookie de preferencias dura seis meses; la medición publicitaria y la personalización permanecen desactivadas.
Su navegador envía una señal Global Privacy Control. La analítica está desactivada de forma predeterminada; puede cambiar esta elección explícitamente aquí.
