{"id":124,"date":"2024-03-04T15:26:09","date_gmt":"2024-03-04T15:26:09","guid":{"rendered":"https:\/\/ai4debunk.eu\/?page_id=124"},"modified":"2026-01-08T19:26:29","modified_gmt":"2026-01-08T19:26:29","slug":"scientific-publications","status":"publish","type":"page","link":"https:\/\/ai4debunk.eu\/es\/scientific-publications\/","title":{"rendered":"Publicaciones cient\u00edficas"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Cient\u00edfica Publicaciones<\/span><\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\tEncuentre todas las publicaciones cient\u00edficas producidas por los socios de AI4Debunk, presentando los \u00faltimos hallazgos cient\u00edficos del proyecto.\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tArrojando luz sobre grandes redes generadoras: Estimaci\u00f3n de la incertidumbre epist\u00e9mica en modelos de difusi\u00f3n<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Axel Brando, Lucas Berry, David Mege<\/p>

Resumen:<\/strong>
Los modelos de difusi\u00f3n generativa, notables por su gran recuento de par\u00e1metros (superior a 100 millones) y su operaci\u00f3n dentro de espacios de imagen de alta dimensi\u00f3n, plantean desaf\u00edos significativos para los m\u00e9todos tradicionales de estimaci\u00f3n de incertidumbre debido a las demandas computacionales. En este trabajo, presentamos un marco innovador, Diffusion Ensembles for Capturing Uncertainty (DECU), dise\u00f1ado para estimar la incertidumbre epist\u00e9mica para modelos de difusi\u00f3n. El marco DECU introduce un m\u00e9todo novedoso que entrena de manera eficiente conjuntos de modelos de difusi\u00f3n condicional mediante la incorporaci\u00f3n de un conjunto est\u00e1tico de par\u00e1metros preentrenados, reduciendo dr\u00e1sticamente la carga computacional y el n\u00famero de par\u00e1metros que requieren entrenamiento. Adem\u00e1s, DECU emplea Estimadores de distancia por pares (PaiDE) para medir con precisi\u00f3n la incertidumbre epist\u00e9mica mediante la evaluaci\u00f3n de la informaci\u00f3n mutua entre las salidas del modelo y los pesos en espacios de alta dimensi\u00f3n. La efectividad de este marco se demuestra a trav\u00e9s de experimentos en el conjunto de datos ImageNet, destacando su capacidad para capturar la incertidumbre epist\u00e9mica, espec\u00edficamente en clases de im\u00e1genes submuestreadas.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
La 40a Conferencia sobre Incertidumbre en Inteligencia Artificial<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tRobustez y Generalizaci\u00f3n de Detectores de Im\u00e1genes Sint\u00e9ticas<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Coccomini D.A., Caldelli R., Gennaro C., Fiameni G., Amato G., Falchi F.<\/p>

Resumen:<\/strong>
En los \u00faltimos tiempos, la creciente difusi\u00f3n de los medios sint\u00e9ticos, conocidos como deepfakes, ha sido posible gracias al r\u00e1pido progreso en las tecnolog\u00edas de inteligencia artificial, especialmente los algoritmos de aprendizaje profundo. Las crecientes preocupaciones sobre la creciente disponibilidad y credibilidad de las falsificaciones profundas han estimulado a los investigadores a concentrarse en el desarrollo de m\u00e9todos para detectarlas. En este campo, investigadores del Laboratorio AIMH del ISTI CNR, en colaboraci\u00f3n con investigadores de otras organizaciones, han llevado a cabo investigaciones y proyectos para contribuir a combatir esta tendencia, explorando nuevas soluciones y amenazas. Este art\u00edculo resume los esfuerzos m\u00e1s recientes realizados en esta \u00e1rea por nuestros investigadores y en colaboraci\u00f3n con otras instituciones y expertos.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Procedimientos del taller CEUR<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tTaller MAD '24: IA multimedia contra la desinformaci\u00f3n<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Stanciu, Cristian e Ionescu, Bogdan y Cuccovillo, Luca y Papadopoulos, Symeon y Kordopatis-Zilos, Giorgos y Popescu, Adrian y Caldelli, Roberto<\/p>

Resumen:<\/strong>
La generaci\u00f3n y manipulaci\u00f3n de medios sint\u00e9ticos han visto r\u00e1pidos avances publicitarios en los \u00faltimos a\u00f1os, lo que hace cada vez m\u00e1s f\u00e1cil crear contenido multimedia que sea indistinguible para el observador humano. Adem\u00e1s, los contenidos generados pueden ser utilizados maliciosamente por individuos y organizaciones para difundir desinformaci\u00f3n, lo que representa una amenaza significativa para la sociedad y la democracia. Por lo tanto, existe una necesidad urgente de herramientas de IA orientadas a facilitar un proceso de verificaci\u00f3n de medios oportuno y eficaz. El taller MAD\u201924 tiene por objeto reunir a personas de or\u00edgenes diversos que se dedican a luchar contra la desinformaci\u00f3n en los medios multimedia a trav\u00e9s de la IA, fomentando un entorno para explorar ideas innovadoras y compartir experiencias. Los \u00e1mbitos de investigaci\u00f3n de inter\u00e9s abarcan la identificaci\u00f3n de contenidos manipulados o generados, junto con la investigaci\u00f3n de la difusi\u00f3n de desinformaci\u00f3n y sus repercusiones sociales. Reconociendo la importancia de los multimedios, el taller hace hincapi\u00e9 en el an\u00e1lisis conjunto de diversas modalidades dentro del contenido, ya que la verificaci\u00f3n puede mejorarse agregando m\u00faltiples formas de contenido.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Actas del 3er Taller Internacional de ACM sobre IA Multimedia contra la Desinformaci\u00f3n<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tAnomal\u00edas temporales del marco de la superficie para la detecci\u00f3n de v\u00eddeo deepfake<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Andrea Ciamarra, Roberto Caldelli, Alberto Del Bimbo<\/p>

Resumen:<\/strong>
Mirar una secuencia de video donde se representa a una persona en primer plano ya no es como hace tiempo. Las falsificaciones profundas han revolucionado nuestra forma de ver tales contenidos y hoy en d\u00eda estamos m\u00e1s acostumbrados a preguntarnos si lo que estamos viendo es real o es solo una mistificaci\u00f3n. En este contexto de desinformaci\u00f3n generalizada, la necesidad de soluciones confiables para ayudar a los usuarios comunes, y no solo, a hacer una evaluaci\u00f3n sobre este tipo de secuencias de video est\u00e1 muy pr\u00f3xima. En este art\u00edculo, se presenta un enfoque novedoso que aprovecha las anomal\u00edas del marco de la superficie temporal para revelar videos deepfake. El m\u00e9todo busca posibles discrepancias, inducidas por manipulaci\u00f3n deepfake, en las superficies pertenecientes a la escena capturada y en su evoluci\u00f3n a lo largo del eje temporal. Estas caracter\u00edsticas se utilizan como entrada de una tuber\u00eda basada en redes neuronales profundas para realizar una evaluaci\u00f3n binaria en el video en s\u00ed. Los resultados experimentales atestiguan que tal metodolog\u00eda puede lograr un rendimiento significativo en t\u00e9rminos de precisi\u00f3n de detecci\u00f3n.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Conferencia IEEE\/CVF 2024 sobre talleres de visi\u00f3n por computadora y reconocimiento de patrones (CVPRW)<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tUn enfoque sociopol\u00edtico de la desinformaci\u00f3n y la IA: Preocupaciones, respuestas y desaf\u00edos<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Pascaline Gaborit<\/p>

Resumen:<\/strong>
Las organizaciones internacionales clasifican la desinformaci\u00f3n como una de las principales amenazas para la democracia y las instituciones durante m\u00e1s de una d\u00e9cada. Las tecnolog\u00edas digitales reinventan y transforman profundamente los estilos de vida modernos y los entornos de los ciudadanos y las empresas. La IA est\u00e1 trayendo una nueva interrupci\u00f3n en la forma en que accedemos al conocimiento y creamos, difundimos y entendemos la informaci\u00f3n. Tambi\u00e9n puede difuminar las l\u00edneas entre la informaci\u00f3n real y la informaci\u00f3n manipulada con la aparici\u00f3n de \u00abnoticias falsas\u00bb, referencias cruzadas de redes autom\u00e1ticas y \u00abfalsificaciones profundas\u00bb. Los sistemas de IA aumentan el potencial para crear contenidos falsos realistas y campa\u00f1as de desinformaci\u00f3n espec\u00edficas. La desinformaci\u00f3n va m\u00e1s all\u00e1 de simples rumores para enga\u00f1ar y distorsionar deliberadamente la informaci\u00f3n basada en la evidencia a trav\u00e9s de datos fabricados. Las instituciones europeas tambi\u00e9n se han centrado recientemente en la identificaci\u00f3n de la desinformaci\u00f3n relacionada con la manipulaci\u00f3n de informaci\u00f3n e injerencia por parte de agentes extranjeros: Manipulaci\u00f3n e interferencia de informaci\u00f3n extranjera. El art\u00edculo identifica tendencias y preocupaciones relacionadas con la desinformaci\u00f3n y la IA. Explora la percepci\u00f3n de la desinformaci\u00f3n, sus repercusiones y las respuestas, incluidas la Ley de IA de la UE y las pol\u00edticas de las plataformas en l\u00ednea. Proporciona un primer enfoque anal\u00edtico del tema basado en los debates actuales de los investigadores, los primeros hallazgos de nuestras encuestas de 2024, entrevistas y el an\u00e1lisis de cientos de noticias falsas en l\u00ednea. Intenta comprender c\u00f3mo los ciudadanos y las partes interesadas perciben la desinformaci\u00f3n e identifica posibles impactos. Tambi\u00e9n analiza los desaf\u00edos y limitaciones actuales, oportunidades y limitaciones para abordar la manipulaci\u00f3n y la interferencia. El art\u00edculo tiene en cuenta los procesos actuales y las repercusiones de la desinformaci\u00f3n (2), la presentaci\u00f3n de las principales conclusiones de nuestra encuesta en l\u00ednea sobre las percepciones de la desinformaci\u00f3n (3), las actuales respuestas reglamentarias de la UE (4) y los puntos de debate (5). Argumentamos en este art\u00edculo que hay un cambio gigantesco en la forma en que accedemos a la informaci\u00f3n, pero que las respuestas a la desinformaci\u00f3n a\u00fan se encuentran en una etapa temprana. El art\u00edculo tambi\u00e9n demuestra que existe una mayor sensibilizaci\u00f3n en los pa\u00edses europeos sobre los efectos de la desinformaci\u00f3n, pero tambi\u00e9n una brecha entre la capacidad de identificar \u00abnoticias falsas\u00bb y la desinformaci\u00f3n, y una comprensi\u00f3n limitada de los procesos, las amenazas y los agentes implicados en la difusi\u00f3n de la desinformaci\u00f3n.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Papel de diario<\/p>

Editor:<\/b>
Revista de Ciencias Pol\u00edticas y Relaciones Internacionales<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tUna nueva aplicaci\u00f3n de los SCM a la estimaci\u00f3n contrafactual de series de tiempo en la industria farmac\u00e9utica<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Tomas Garriga, Gerard Sanz, Eduard Serrahima de Cambra, Axel Brando<\/p>

Resumen:<\/strong><\/p>

En este art\u00edculo, presentamos una novedosa aplicaci\u00f3n de los modelos causales estructurales (MCS) y el procedimiento de abducci\u00f3n-acci\u00f3n-predicci\u00f3n a una serie temporal en el contexto de un problema del mundo real en la industria farmac\u00e9utica. Nuestro objetivo es estimar los contraf\u00e1cticos para el volumen de ventas de un medicamento que se ha visto afectado por la entrada en el mercado de un medicamento gen\u00e9rico competidor. Empleamos arquitecturas basadas en encoder-decoder, aplicando un autoencoder variacional condicional y tambi\u00e9n introduciendo el uso de autoencoders condicionales escasos, que nunca se hab\u00edan utilizado en la literatura contrafactual. La metodolog\u00eda propuesta requiere disponibilidad de eventos hist\u00f3ricos y series temporales sin eventos y tiene la ventaja de no depender de covariables de control que pueden no estar disponibles, al tiempo que supera claramente la estimaci\u00f3n contrafactual b\u00e1sica de un pron\u00f3stico. Evaluamos nuestro enfoque utilizando el conjunto de datos de ventas reales de nuestra empresa, as\u00ed como conjuntos de datos sint\u00e9ticos y semisint\u00e9ticos que imitan el contexto del problema, lo que demuestra su eficacia. Hemos aplicado con \u00e9xito este modelo en nuestra empresa, proporcionando informaci\u00f3n \u00fatil para la planificaci\u00f3n empresarial, la asignaci\u00f3n de inversiones y el establecimiento de objetivos.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Art\u00edculo del taller<\/p>

Editor:<\/b>
Taller de NeurIPS 24 sobre Aprendizaje de Representaci\u00f3n Causal<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tGr\u00e1ficos de conocimiento y aprendizaje autom\u00e1tico en noticias falsas y detecci\u00f3n de desinformaci\u00f3n<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Anastasios Manos, Despina Elisabeth Filippidou, Nikolaos Pavlidis, Georgios Karanasios, Georgios Vachtanidis, Arianna D\u2019Ulizia<\/p>

Resumen:<\/strong>
El auge de las plataformas digitales ha facilitado la r\u00e1pida propagaci\u00f3n de la desinformaci\u00f3n, que plantea importantes retos sociales, pol\u00edticos y econ\u00f3micos. Los gr\u00e1ficos de conocimiento (KG) est\u00e1n emergiendo como herramientas efectivas para mejorar la precisi\u00f3n, interpretabilidad y escalabilidad de los sistemas de detecci\u00f3n de noticias falsas, abordando las limitaciones en los enfoques tradicionales basados en el aprendizaje autom\u00e1tico que se basan principalmente en el an\u00e1lisis ling\u00fc\u00edstico. Este trabajo contiene una revisi\u00f3n de la literatura que sintetiza los hallazgos de estudios recientes sobre la aplicaci\u00f3n de KG en la detecci\u00f3n de desinformaci\u00f3n. Identificamos c\u00f3mo los KG mejoran la detecci\u00f3n mediante la codificaci\u00f3n de relaciones reales, el an\u00e1lisis del contexto y la mejora de la interpretabilidad del modelo, al tiempo que discutimos las limitaciones actuales en la escalabilidad, la integridad de los datos y la adaptabilidad contextual. Los estudios revisados subrayan la necesidad de futuras investigaciones centradas en modelos KG escalables, en tiempo real y multiling\u00fc\u00edsticos para reforzar las capacidades de detecci\u00f3n de desinformaci\u00f3n a nivel mundial. Adem\u00e1s, presentamos los resultados preliminares de dos casos de uso, mostrando una metodolog\u00eda para la construcci\u00f3n de KG que pueden servir como herramientas \u00fatiles para luchar contra la propagaci\u00f3n de la desinformaci\u00f3n.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Conferencia Internacional sobre Ingenier\u00eda y Tecnolog\u00edas Emergentes (ICEET) 2024<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tRevisi\u00f3n de pol\u00edticas: Lucha contra la desinformaci\u00f3n en la era digital: pol\u00edticas e iniciativas para salvaguardar la democracia en Europa<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Alessia D\u2019Andrea, Giorgia Fusacchia, Arianna D\u2019Ulizia<\/p>

Resumen:<\/strong>
Este documento explora la respuesta polifac\u00e9tica de la Uni\u00f3n Europea a la cuesti\u00f3n generalizada de la desinformaci\u00f3n, un reto que se ha intensificado desde la anexi\u00f3n de Crimea en 2014. La desinformaci\u00f3n plantea amenazas significativas para los procesos democr\u00e1ticos y el bienestar p\u00fablico. El enfoque de la Uni\u00f3n Europea combina medidas reguladoras, asociaciones estrat\u00e9gicas e iniciativas de alfabetizaci\u00f3n medi\u00e1tica para hacer frente a este fen\u00f3meno, salvaguardando al mismo tiempo los principios democr\u00e1ticos fundamentales, como la libertad de expresi\u00f3n. Entre las medidas clave figuran el C\u00f3digo de Buenas Pr\u00e1cticas en materia de Desinformaci\u00f3n y la Ley de Servicios Digitales, cuyo objetivo es responsabilizar a las plataformas digitales y garantizar la transparencia. Adem\u00e1s, iniciativas como el Grupo de Trabajo East StratCom y el Sistema de Alerta R\u00e1pida destacan los esfuerzos de la Uni\u00f3n Europea para contrarrestar la desinformaci\u00f3n como herramienta de guerra h\u00edbrida. Este documento tambi\u00e9n enfatiza el papel cr\u00edtico de los ciudadanos, a quienes la Uni\u00f3n Europea busca empoderar a trav\u00e9s de programas de alfabetizaci\u00f3n medi\u00e1tica, permiti\u00e9ndoles reconocer y resistir el contenido manipulador. Al examinar las interacciones entre las acciones gubernamentales, la participaci\u00f3n del sector privado y la participaci\u00f3n ciudadana, el presente estudio ofrece un an\u00e1lisis exhaustivo de la estrategia de la Uni\u00f3n Europea contra la desinformaci\u00f3n y eval\u00faa los retos y las orientaciones futuras necesarias para mantener la resiliencia democr\u00e1tica en un panorama digital en evoluci\u00f3n.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Art\u00edculo cient\u00edfico<\/p>

Editor:<\/b>
Polidad de la informaci\u00f3n<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tPerspectivas ling\u00fc\u00edsticas, mecanismos de los medios de comunicaci\u00f3n y papel de la IA en la difusi\u00f3n y el impacto de la desinformaci\u00f3n<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Alessia D\u2019Andrea, Giorgia Fusacchia, Arianna D\u2019Ulizia<\/p>

Resumen:<\/strong><\/p>

Finalidad<\/em>
Utilizando un enfoque multidisciplinar, este estudio tiene como objetivo rastrear el camino de las campa\u00f1as de desinformaci\u00f3n desde su detecci\u00f3n por se\u00f1ales ling\u00fc\u00edsticas de credibilidad hasta su promoci\u00f3n a trav\u00e9s de los mecanismos de difusi\u00f3n y, por \u00faltimo, evaluar su impacto en el contexto sociopol\u00edtico.<\/p>

Dise\u00f1o\/metodolog\u00eda\/enfoque<\/em>
Este estudio ofrece una visi\u00f3n general en profundidad de cuatro aspectos fundamentales de la desinformaci\u00f3n: las caracter\u00edsticas ling\u00fc\u00edsticas que distinguen los contenidos dise\u00f1ados para enga\u00f1ar y manipular a la opini\u00f3n p\u00fablica, los mecanismos medi\u00e1ticos que facilitan su difusi\u00f3n mediante la explotaci\u00f3n de los procesos cognitivos de su audiencia, las amenazas que plantea el creciente uso de la inteligencia artificial generativa para difundir desinformaci\u00f3n y las consecuencias m\u00e1s amplias que estas din\u00e1micas de desinformaci\u00f3n tienen en la opini\u00f3n p\u00fablica y, en consecuencia, en los procesos de toma de decisiones pol\u00edticas.<\/p>

Constataciones<\/em>
Como resultado, el documento proporciona un examen interdisciplinario y hol\u00edstico del fen\u00f3meno, refiri\u00e9ndose a sus elementos pluralizados para resaltar la importancia de la responsabilidad de la plataforma, las campa\u00f1as de alfabetizaci\u00f3n medi\u00e1tica entre los ciudadanos y la cooperaci\u00f3n interactiva entre los sectores p\u00fablico y privado como medidas para mejorar la resiliencia contra la amenaza de la desinformaci\u00f3n.<\/p>

Originalidad\/valor<\/em>
El estudio destaca la necesidad de aumentar la rendici\u00f3n de cuentas de las plataformas, promover la alfabetizaci\u00f3n medi\u00e1tica entre las personas y desarrollar la cooperaci\u00f3n entre los sectores p\u00fablico y privado. Los objetivos de esta estrategia integrada son reforzar la resiliencia frente a la desinformaci\u00f3n y garantizar la adaptabilidad de la UE frente a las amenazas digitales cambiantes. En \u00faltima instancia, el documento aboga por una estrategia justa y abierta que proteja la libertad de expresi\u00f3n y fortalezca las instituciones democr\u00e1ticas en un momento en que la desinformaci\u00f3n digital est\u00e1 en aumento.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Art\u00edculo cient\u00edfico<\/p>

Editor:<\/b>
Revista de Informaci\u00f3n, Comunicaci\u00f3n y \u00c9tica en la Sociedad (2025)<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tProbando el Espacio de Incorporaci\u00f3n de Transformadores a trav\u00e9s de Perturbaciones M\u00ednimas de Token<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Eddie Conti, Alejandro Astruc, \u00c1lvaro Parafita, Axel Brando<\/p>

Resumen:<\/strong><\/p>

Comprender c\u00f3mo se propaga la informaci\u00f3n a trav\u00e9s de los modelos Transformer es un desaf\u00edo clave para la interpretabilidad. En este trabajo, estudiamos los efectos de las perturbaciones simb\u00f3licas m\u00ednimas en el espacio de incrustaci\u00f3n. En nuestros experimentos, analizamos la frecuencia con la que los tokens ceden a cambios m\u00ednimos, destacando que los tokens raros generalmente conducen a cambios m\u00e1s grandes. Adem\u00e1s, estudiamos c\u00f3mo las perturbaciones se propagan a trav\u00e9s de las capas, lo que demuestra que la informaci\u00f3n de entrada se mezcla cada vez m\u00e1s en capas m\u00e1s profundas. Nuestros hallazgos validan la suposici\u00f3n com\u00fan de que las primeras capas de un modelo se pueden utilizar como proxies para las explicaciones del modelo. En general, este trabajo introduce la combinaci\u00f3n de perturbaciones simb\u00f3licas y cambios en el espacio de incrustaci\u00f3n como una herramienta poderosa para la interpretabilidad del modelo.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Art\u00edculo del taller<\/p>

Editor:<\/b>
Taller IJCAI 2025 sobre Inteligencia Artificial Explicable<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tDetecci\u00f3n de falsificaciones profundas a trav\u00e9s de inconsistencias en los marcos de superficie de la c\u00e1mara local<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Andrea Ciamarra, Roberto Caldelli, Alberto Del Bimbo<\/p>

Resumen:<\/strong><\/p>

La desinformaci\u00f3n siempre se induce m\u00e1s recurriendo a contenidos realistas alterados o completamente generados sint\u00e9ticamente, generalmente conocidos como deepfakes. Esto plantea la necesidad de instrumentos fiables capaces de revelar tales contenidos falsos para evitar la polarizaci\u00f3n del pensamiento de las personas. Se han presentado diversas t\u00e9cnicas, cuyo denominador com\u00fan es buscar algunas inconsistencias inducidas por el proceso de generaci\u00f3n falsa y evidenciadas al observar caracter\u00edsticas espec\u00edficas. Parece que la posible combinaci\u00f3n de varias caracter\u00edsticas distintivas podr\u00eda proporcionar logros m\u00e1s efectivos. Desde este punto de vista y siguiendo nuestro estudio previo sobre este tema, proponemos investigar una nueva caracter\u00edstica que b\u00e1sicamente tiene en cuenta las relaciones incorporadas existentes dentro de toda la escena de adquisici\u00f3n en el momento de la captura de la imagen (v\u00eddeo) y luego representadas por los valores de p\u00edxeles de la imagen. La idea detr\u00e1s es que el proceso de generaci\u00f3n de deepfake puede romper tales dependencias intr\u00ednsecas entre la iluminaci\u00f3n (intensidad y direcci\u00f3n), las superficies del objeto (posici\u00f3n y reflectancia) y el ruido de adquisici\u00f3n, evidenciando as\u00ed una posible manipulaci\u00f3n. De acuerdo con esto, un descriptor de caracter\u00edsticas, llamado Local Surface Descriptor, se ha construido y utilizado para entrenar modelos basados en CNN para la detecci\u00f3n de deepfake. Los resultados experimentales realizados en diferentes contextos operativos demuestran una precisi\u00f3n de detecci\u00f3n significativa de hasta 90%.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Conferencia Internacional IEEE 2024 sobre Retos y Talleres de Procesamiento de Im\u00e1genes (ICIPCW), Abu Dhabi, Emiratos \u00c1rabes Unidos, 2024<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tDetectar im\u00e1genes faciales totalmente sint\u00e9ticas a trav\u00e9s de marcos de superficie de c\u00e1maras locales<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Andrea Ciamarra, Roberto Caldelli, Alberto Del Bimbo<\/p>

Resumen:<\/strong><\/p>

La capacidad real de generar im\u00e1genes totalmente sint\u00e9ticas realistas mediante IA est\u00e1 mejorando d\u00eda a d\u00eda y esto es particularmente cierto para las im\u00e1genes que representan rostros humanos que parecen indistinguibles de las personas reales. Esto plantea la necesidad crucial de desarrollar instrumentos capaces de discernir entre personas verdaderas y no existentes mediante la detecci\u00f3n de algunas inconsistencias eventuales incrustadas en las im\u00e1genes durante el proceso de generaci\u00f3n. La principal diferencia entre una imagen pr\u00edstina y una deepfake generada es que, en el segundo caso, no ha habido una adquisici\u00f3n efectiva de la c\u00e1mara; Por lo tanto, todas las diversas interrelaciones entre los elementos que pertenecen a la escena (luces, reflectancia, posiciones respectivas de los objetos en el espacio 3D) no son tomadas por el mundo real en ese preciso instante de tiempo, sino simplemente reproducidas artificialmente. De acuerdo con esta consideraci\u00f3n, en este trabajo, introducimos los marcos de superficie de las c\u00e1maras locales como un posible medio para representar estas caracter\u00edsticas ambientales espec\u00edficas con el fin de resaltar las diferencias. El an\u00e1lisis experimental realizado ha sido testigo de que esta caracter\u00edstica puede otorgar un nivel muy alto de precisi\u00f3n y un grado significativo de generalizaci\u00f3n.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Conferencia Internacional IEEE 2024 sobre Retos y Talleres de Procesamiento de Im\u00e1genes (ICIPCW), Abu Dhabi, Emiratos \u00c1rabes Unidos, 2024<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tSobre la capacidad de generalizaci\u00f3n de los marcos superficiales locales en la detecci\u00f3n de im\u00e1genes faciales basadas en la difusi\u00f3n<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Andrea Ciamarra, Roberto Caldelli, Alberto Del Bimbo<\/p>

Resumen:<\/strong><\/p>

Se pueden realizar im\u00e1genes irreales extraordinarias con t\u00e9cnicas de IA pow-erful. Varias herramientas disponibles para todos pueden recrear contenidos de alta calidad, especialmente generando im\u00e1genes completamente sint\u00e9ticas. Entre las arquitecturas existentes, los modelos basados en la difusi\u00f3n pueden producir f\u00e1cilmente cualquier tipo de im\u00e1genes, incluidas las im\u00e1genes faciales humanas, dando un mensaje como un texto. Estos contenidos falsos se utilizan a menudo para difundir desinformaci\u00f3n y esto plantea preocupaciones sobre la seguridad de las personas. En la actualidad, se est\u00e1 haciendo dif\u00edcil desarrollar instrumentos confiables para distinguir entre personas reales y generadas (incluso no existentes). Adem\u00e1s, la gran cantidad de implementaciones basadas en la difusi\u00f3n plantea el problema de que estos detectores generalicen nuevas t\u00e9cnicas generativas. Para abordar estos problemas, proponemos investigar la capacidad de un rasgo distintivo, basado en el entorno de adquisici\u00f3n de im\u00e1genes, para individualizar las im\u00e1genes faciales basadas en la difusi\u00f3n de las pr\u00edstinas. De hecho, las im\u00e1genes generadas no deben contener las caracter\u00edsticas propias de la fase de adquisici\u00f3n realizada a trav\u00e9s de una c\u00e1mara real. Tales incoherencias se pueden resaltar mediante marcos de superficie locales recientemente introducidos. Esta caracter\u00edstica tiene en cuenta los objetos y superficies involucrados en la escena, que impactan en el proceso de adquisici\u00f3n de la c\u00e1mara, junto con m\u00e1s informaci\u00f3n intr\u00ednseca vinculada al dispositivo, as\u00ed como la iluminaci\u00f3n y los reflejos que afectan a todo el escenario. El art\u00edculo explora la capacidad de esta caracter\u00edstica para generalizar hacia diferentes conjuntos de datos y nuevos m\u00e9todos generativos desconocidos durante el entrenamiento. Los resultados experimentales destacan que tal caracter\u00edstica todav\u00eda proporciona niveles significativos de precisi\u00f3n de detecci\u00f3n tambi\u00e9n en estos casos.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Conferencia Internacional IEEE 2024 sobre Retos y Talleres de Procesamiento de Im\u00e1genes (ICIPCW), Abu Dhabi, Emiratos \u00c1rabes Unidos, 2024<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tExplicaciones pr\u00e1cticas do-Shapley con estimaci\u00f3n de inferencia causal agn\u00f3stica<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
\u00c1lvaro Parafita, Tomas Garriga, Axel Brando, Francisco J. Cazorla<\/p>

Resumen:<\/strong><\/p>

Entre las t\u00e9cnicas de explicabilidad, SHAP se destaca como una de las m\u00e1s populares, pero a menudo pasa por alto la estructura causal del problema. En respuesta, do-SHAP emplea consultas intervencionistas, pero su dependencia de estimaciones dificulta su aplicaci\u00f3n pr\u00e1ctica. Para abordar este problema, proponemos el uso de enfoques estimando-agn\u00f3sticos, que permiten la estimaci\u00f3n de cualquier consulta identificable desde un solo modelo, haciendo factible do-SHAP en gr\u00e1ficos complejos. Tambi\u00e9n desarrollamos un nuevo algoritmo para acelerar significativamente su c\u00e1lculo a un costo insignificante, as\u00ed como un m\u00e9todo para explicar los procesos de generaci\u00f3n de datos inaccesibles. Demostramos la estimaci\u00f3n y el rendimiento computacional de nuestro enfoque, y lo validamos en dos conjuntos de datos del mundo real, destacando su potencial para obtener explicaciones confiables.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
La trig\u00e9sima novena Conferencia Anual sobre Sistemas de Procesamiento de Informaci\u00f3n Neuronal (NeurIPS 2025)<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tCuando la recuperaci\u00f3n supera a la generaci\u00f3n: Recuperaci\u00f3n de pruebas densas para la detecci\u00f3n escalable de noticias falsas<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Alamgir Munir Qazi, John Philip McCrae, Jamal Nasir<\/p>

Resumen:<\/strong><\/p>

La proliferaci\u00f3n de la desinformaci\u00f3n requiere sistemas de verificaci\u00f3n de hechos robustos pero computacionalmente eficientes. Si bien los enfoques actuales de vanguardia aprovechan los Grandes Modelos de Lenguaje (LLM) para generar razones explicativas, estos m\u00e9todos se enfrentan a importantes barreras computacionales y riesgos de alucinaci\u00f3n en despliegues del mundo real. Presentamos DeReC (Dense Retrieval Classification), un marco ligero que demuestra c\u00f3mo las incrustaciones de texto de prop\u00f3sito general pueden reemplazar efectivamente los enfoques autoregresivos basados en LLM en tareas de verificaci\u00f3n de hechos. Al combinar la recuperaci\u00f3n densa con la clasificaci\u00f3n especializada, nuestro sistema logra una mejor precisi\u00f3n al tiempo que es significativamente m\u00e1s eficiente. DeReC supera a los LLM generadores de explicaciones en eficiencia, reduciendo el tiempo de ejecuci\u00f3n en 95% en RAWFC (23 minutos 36 segundos frente a 454 minutos 12 segundos) y por 92% en LIAR-RAW (134 minutos 14 segundos en comparaci\u00f3n con 1692 minutos 23 segundos), mostrando su efectividad en diferentes tama\u00f1os de conjuntos de datos. En el conjunto de datos RAWFC, DeReC logra una puntuaci\u00f3n de F1 de 65.58%, superando el m\u00e9todo de vanguardia L-Defensa (61.20%). Nuestros resultados demuestran que los sistemas basados en la recuperaci\u00f3n cuidadosamente dise\u00f1ados pueden igualar o superar el rendimiento de LLM en tareas especializadas, a la vez que son significativamente m\u00e1s pr\u00e1cticos para la implementaci\u00f3n en el mundo real.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
5a Conferencia sobre Lenguaje, Datos y Conocimiento<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tUn enfoque basado en CLIP para la detecci\u00f3n de im\u00e1genes sint\u00e9ticas bajo cambio de distribuci\u00f3n<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Qiushi Li, Andrea Ciamarra, Roberto Caldelli y Stefano Berretti<\/p>

Resumen:<\/strong><\/p>

Para la MediaEval 2025 SynthIm Challenge Task A (Synthetic Image Detection), identificamos un cambio cr\u00edtico de distribuci\u00f3n entre los datos de entrenamiento y prueba proporcionados, lo que hace que el primero sea un mal representante para el dominio objetivo. Nuestro enfoque aborda directamente este desaf\u00edo incorporando el conjunto de validaci\u00f3n m\u00e1s consistente estil\u00edsticamente en nuestros datos de entrenamiento y aprovechando un CLIP ViT-L\/14 congelado como un extractor de caracter\u00edsticas robusto. Nuestra idea principal es que bajo tales condiciones de cambio de dominio, las representaciones generalizables de un gran modelo preentrenado superan significativamente a una CNN tradicional ajustada en el conjunto de datos desajustado, demostrando ser una estrategia m\u00e1s efectiva y confiable.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
MediaEval\u00bb25: Taller de evaluaci\u00f3n multimedia, 25 y 26 de octubre de 2025, Dubl\u00edn, Irlanda y en l\u00ednea<\/p>

Acceso bajo petici\u00f3n<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tMarcas de agua mejoradas de calidad visual basadas en la p\u00e9rdida de doble referencia para la atribuci\u00f3n de Deepfake<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Qiushi Li, Roberto Caldelli y Stefano Berretti<\/p>

Resumen:<\/strong><\/p>

El r\u00e1pido avance de los modelos de generaci\u00f3n de im\u00e1genes como Stable Diffusion plantea preocupaciones sobre el posible uso indebido, lo que hace que las t\u00e9cnicas robustas de marca de agua sean esenciales para la autenticaci\u00f3n y atribuci\u00f3n de contenido sint\u00e9tico, particularmente en la lucha contra las falsificaciones profundas. Sin embargo, garantizar simult\u00e1neamente la generaci\u00f3n de im\u00e1genes de alta calidad y la extracci\u00f3n precisa de marcas de agua sigue siendo un desaf\u00edo. A trav\u00e9s de un an\u00e1lisis de los m\u00e9todos existentes, identificamos una limitaci\u00f3n cr\u00edtica:
sus funciones de p\u00e9rdida a menudo adoptan una sola referencia (ya sea la imagen de entrada o la imagen generada limpiamente) para optimizar la fidelidad de la imagen, lo que lleva a un rendimiento sub\u00f3ptimo. En este trabajo, llevamos a cabo un estudio en profundidad del t\u00e9rmino de p\u00e9rdida de calidad de imagen en la marca de agua basada en difusi\u00f3n. Al analizar los distintos impactos de usar la imagen de entrada frente a la imagen generada limpiamente como referencias durante la optimizaci\u00f3n, revelamos que considerar conjuntamente ambas referencias mejora significativamente la robustez y la calidad visual. Extensos experimentos demuestran que nuestro enfoque de doble referencia logra un rendimiento superior tanto en la precisi\u00f3n de extracci\u00f3n de la marca de agua como en la fidelidad de generaci\u00f3n en comparaci\u00f3n con las l\u00edneas de base de referencia \u00fanica. Abogamos por este paradigma para avanzar en la marca de agua confiable en modelos generativos.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
DFF \u201925: Actas del 1er Taller de Forenses Deepfake: Detecci\u00f3n, atribuci\u00f3n, reconocimiento y desaf\u00edos adversos en la era de los medios generados por IA<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tDocumento de posici\u00f3n: Si la innovaci\u00f3n en IA viola sistem\u00e1ticamente los derechos fundamentales, \u00bfes innovaci\u00f3n en absoluto?<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autores:<\/strong>
Josu Eguiluz Casta\u00f1eira, Axel Brando, Migle Laukyte, Marc Serra-Vidal<\/p>

Resumen:<\/strong><\/p>

La inteligencia artificial (IA) ahora impregna las infraestructuras cr\u00edticas y los sistemas de toma de decisiones donde las fallas producen da\u00f1os sociales, econ\u00f3micos y democr\u00e1ticos. Este documento de posici\u00f3n desaf\u00eda la creencia arraigada de que la regulaci\u00f3n y la innovaci\u00f3n son opuestas. Como lo demuestran las analog\u00edas de la aviaci\u00f3n, los productos farmac\u00e9uticos y los sistemas de bienestar y los casos recientes de desinformaci\u00f3n sint\u00e9tica, sesgo y toma de decisiones inexplicable, la ausencia de una regulaci\u00f3n bien dise\u00f1ada ya ha creado da\u00f1os inconmensurables. La regulaci\u00f3n, cuando es reflexiva y adaptativa, no es un freno a la innovaci\u00f3n, es su fundamento. El presente documento de posici\u00f3n examina la Ley de IA de la UE como un modelo de regulaci\u00f3n basada en el riesgo y basada en la responsabilidad que aborda el dilema de Collingridge: actuar con la suficiente antelaci\u00f3n para evitar da\u00f1os, pero con la suficiente flexibilidad para mantener la innovaci\u00f3n. Sus mecanismos de adaptaci\u00f3n \u2014espacios controlados de pruebas, apoyo a las peque\u00f1as y medianas empresas (pymes), pruebas en condiciones reales, evaluaci\u00f3n de impacto sobre los derechos fundamentales (FRIA)\u2014 demuestran c\u00f3mo la regulaci\u00f3n puede acelerar de manera responsable, en lugar de retrasar, el progreso tecnol\u00f3gico. El documento de posici\u00f3n resume c\u00f3mo las herramientas de gobernanza transforman las cargas percibidas en ventajas tangibles: seguridad jur\u00eddica, confianza de los consumidores y competitividad \u00e9tica. En \u00faltima instancia, el documento replantea el progreso: la innovaci\u00f3n y la regulaci\u00f3n avanzan juntas. Al integrar la transparencia, las evaluaciones de impacto, la rendici\u00f3n de cuentas y la alfabetizaci\u00f3n en materia de IA en el dise\u00f1o y el despliegue, el marco de la UE define lo que realmente significa innovaci\u00f3n responsable: ambici\u00f3n tecnol\u00f3gica disciplinada por los valores democr\u00e1ticos y los derechos fundamentales.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
La trig\u00e9sima novena Conferencia Anual sobre Sistemas de Procesamiento de Informaci\u00f3n Neuronal (NeurIPS 2025)<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tConfianza, Nuevas Tecnolog\u00edas y Geopol\u00edtica en un mundo incierto<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autor:\u00a0<\/strong>Pascaline Gaborit<\/p>

Resumen:<\/strong><\/p>

En una era de incertidumbre global, la confianza se ha convertido en un factor cr\u00edtico que da forma a las relaciones entre las naciones, las instituciones y los individuos. Este libro, Confianza, Nuevas Tecnolog\u00edas y Geopol\u00edtica en un Mundo Incierto, ofrece una exploraci\u00f3n oportuna y profunda de c\u00f3mo se est\u00e1 probando y transformando la confianza frente a los paisajes geopol\u00edticos que cambian r\u00e1pidamente. Desde la fragilidad de los sistemas democr\u00e1ticos hasta los desaf\u00edos planteados por las nuevas tecnolog\u00edas, la IA, la desinformaci\u00f3n y el cambio clim\u00e1tico, este libro profundiza en los problemas m\u00e1s apremiantes de nuestro tiempo. Al examinar las intersecciones de la confianza con \u00e1mbitos clave como las democracias, las guerras comerciales y las nuevas tecnolog\u00edas, este trabajo proporciona informaci\u00f3n valiosa para los responsables pol\u00edticos, los acad\u00e9micos y cualquier persona que busque comprender las complejidades del mundo actual. Ya sea que le preocupe la ciberseguridad, la desinformaci\u00f3n, el impacto de las amenazas h\u00edbridas o el papel de la confianza en la diplomacia internacional, este libro ofrece un marco integral pero accesible para navegar estos desaf\u00edos. Arroja luz sobre c\u00f3mo comprender la confianza es clave para abordar las incertidumbres geopol\u00edticas que definen nuestra era.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Libro<\/p>

Editor:<\/b>
Peter Lang editor<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tCID: Medici\u00f3n de la importancia de las caracter\u00edsticas a trav\u00e9s de distribuciones contrafactuales<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Autor: <\/strong><\/p>

Eddie Conti, \u00c1lvaro Parafita, Axel Brando<\/p>

Resumen:<\/strong><\/p>

Evaluar la importancia de las caracter\u00edsticas individuales en el aprendizaje autom\u00e1tico es fundamental para comprender el proceso de toma de decisiones del modelo. Si bien existen numerosos m\u00e9todos, la falta de una verdad fundamentada definitiva para la comparaci\u00f3n pone de relieve la necesidad de medidas alternativas y bien fundadas. Este art\u00edculo presenta un nuevo m\u00e9todo de importancia de caracter\u00edsticas locales post-hoc llamado Distribuci\u00f3n de Importancia Contrafactual (CID). Generamos dos conjuntos de contraf\u00e1cticos positivos y negativos, modelamos sus distribuciones utilizando Kernel Density Estimation y clasificamos las caracter\u00edsticas en funci\u00f3n de una medida de disimilitud distributiva. Esta medida, basada en un marco matem\u00e1tico riguroso, satisface las propiedades clave requeridas para funcionar como una m\u00e9trica v\u00e1lida. Mostramos la efectividad de nuestro m\u00e9todo compar\u00e1ndolo con explicadores de importancia de caracter\u00edsticas locales bien establecidos. Nuestro m\u00e9todo no solo ofrece perspectivas complementarias a los enfoques existentes, sino que tambi\u00e9n mejora el rendimiento en las m\u00e9tricas de fidelidad (tanto para la integridad como para la suficiencia), lo que resulta en explicaciones m\u00e1s fieles del sistema. Estos resultados resaltan su potencial como una herramienta valiosa para el an\u00e1lisis de modelos.<\/p>

Tipo de publicaci\u00f3n<\/strong>:
Documento de conferencia<\/p>

Editor:<\/b>
Conferencia de Aprendizaje Profundo de Northern Lights 2026<\/p>

Accede aqu\u00ed<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tVolver a los recursos<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Encuentre todas las publicaciones cient\u00edficas producidas por los socios de AI4Debunk, presentando los \u00faltimos hallazgos cient\u00edficos del proyecto. Arrojando luz sobre grandes redes generadoras: Estimaci\u00f3n de la incertidumbre epist\u00e9mica en modelos de difusi\u00f3n Autores:Axel Brando, Lucas Berry, David Mege Resumen:Modelos de difusi\u00f3n generativa, notables por su gran recuento de par\u00e1metros (superior a 100 millones) y su funcionamiento dentro de espacios de imagen [...]<\/p>","protected":false},"author":6,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"class_list":["post-124","page","type-page","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/pages\/124","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/comments?post=124"}],"version-history":[{"count":5,"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/pages\/124\/revisions"}],"predecessor-version":[{"id":3001,"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/pages\/124\/revisions\/3001"}],"wp:attachment":[{"href":"https:\/\/ai4debunk.eu\/es\/wp-json\/wp\/v2\/media?parent=124"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}