Cómo fusioné dos colecciones de MongoDB usando $unionWith
¿Problemas con paginación en colecciones separadas? Aprende a usar $unionWith de MongoDB para unificar datos y simplificar tu API.
#agregación
Aprendizaje Federado Personalizado para Reconocimiento de Voz Disártrica
Mejora el reconocimiento de voz disártrica con aprendizaje federado personalizado. Descubre estrategias que reducen el WER hasta un 4.73% relativo. ¡Protege la privacidad!
Aproximación de la respuesta dinámica de generadores síncronos mediante aprendizaje de operadores
Descubre cómo el aprendizaje de operadores con DeepONet aproxima la respuesta dinámica de generadores síncronos para simuladores de red eléctrica más precisos.
Disciplina de búsqueda para agentes de investigación a largo plazo
Los agentes de investigación optimizan promedios globales, pero ignoran fallos en regiones. La auditoría externa evita colapsos silenciosos.
Aprendizaje federado descentralizado: ponderación inversa y agregación AoI
DFL-AA corrige sesgo y obsolescencia en aprendizaje federado descentralizado usando ponderación inversa y edad de información. Mejora precisión en redes.
Ponderación Inversa y Edad de la Información para DFL con Recepción Parcial
DFL-AA combina ponderación inversa y edad de la información para eliminar sesgo y obsolescencia en aprendizaje federado descentralizado con redes inalámbricas.
Agregación segura con Top-K en aprendizaje federado descentralizado
Descubre cómo la agregación segura con escasez Top-K reduce costos de comunicación en aprendizaje federado descentralizado, manteniendo precisión del modelo.
Agregación justa óptima de etiquetas ruidosas mediante paridad demográfica
Descubre cómo lograr una agregación justa de etiquetas ruidosas en crowdsourcing usando restricciones de paridad demográfica. Teoría, algoritmos y experimentos.
Aprendizaje federado escalable con privacidad diferencial y agregación segura
Aprende cómo DDP-SA combina privacidad diferencial y agregación segura para un aprendizaje federado escalable y privado con mayor precisión.
Gestión del desacuerdo entre anotadores en detección de odio
El desacuerdo entre anotadores no es ruido, es señal. Descubre cómo usarlo para mejorar la detección de odio en redes sociales.
Correcto se ve mejor: comparaciones por pares muestran rankings precisos
Las comparaciones por pares con Elo generan rankings de precisión casi perfectos en modelos de IA, minimizando sesgos de estilo y juez. ¡Descúbrelo!
Cómo el Contexto Afecta el Alineamiento de Valores
¿Cómo afecta el contexto a la incertidumbre moral en IA? Revelamos la paradoja de Simpson en la agregación de evaluaciones y la violación del principio de Pareto débil. Implicaciones clave.
AdaJudge: Modelado de Recompensas Adaptativo Multi-Perspectiva
Descubre AdaJudge: mejora la discriminación fina y la agregación adaptativa para modelar recompensas en LLMs, superando modelos tradicionales.
TRACE: Agregación Adaptativa de Evidencia entre Pasos para Agentes LLM
Descubre cómo TRACE detecta objetivos maliciosos ocultos en agentes LLM conectando evidencia entre acciones distantes. Aumenta la seguridad con F1 de 0.713 y recall de 0.844.
HyperLoRA: Amortizando la adaptación federada de modelos fundacionales
HyperLoRA elimina sesgos de agregación y retrasos en inicialización, logrando convergencia más rápida y personalización robusta en modelos fundacionales.
Agregación de verificadores débiles de LLM para diseño espacial
Agrega verificadores débiles de LLM para mejorar diseño espacial. Incrementa F1 hasta 7x y calidad en 66% según evaluadores humanos.
Control de FDR con knockoffs en redes neuronales profundas
Descubre cómo los métodos knockoff controlan la tasa de falsos descubrimientos en redes profundas, simplificando modelos sin perder precisión.
Codificadores Visuales con Estado para Modelos de Visión-Lenguaje
Codificadores visuales con estado mejoran la comparación entre imágenes en modelos de visión-lenguaje, superando a especialistas en radiología y teledetección.
Las características de agregación fija pueden rivalizar con las GNN
Las FAFs convierten el aprendizaje en grafos en problemas tabulares, rivalizando con las GNNs sin entrenamiento. Mayor interpretabilidad.
Cómputo de inferencia calibrado por distribución para LLM como juez
Descubre cómo el cómputo de inferencia calibrado por distribución mejora la fiabilidad de LLM como juez, reduciendo errores y superando métodos tradicionales de votación.