Aceleración de OCSVM mediante ensemble de SVMs de un dato
Descubre cómo acelerar el entrenamiento de OCSVM en grandes conjuntos de datos usando un ensemble de SVMs de un dato. Resultados rápidos y precisos. Código
#aprendiz
IBAD: Detección interpretable de anomalías en movilidad humana
Descubre cómo IBAD aprende plantillas de comportamiento y detecta anomalías en la movilidad humana de forma interpretable. Ideal para ciberseguridad y análisis
El beneficio informacional de representaciones compartidas bajo ortogonalidad
Aprende cómo las representaciones compartidas bajo restricciones de ortogonalidad optimizan el almacenamiento de información en redes neuronales multitarea.
Calibración de decisiones en tiempo de inferencia para clasificación temporal
Descubre cómo mejorar la clasificación temporal con evidencia residual y calibración post-hoc. Resultados en FI-2010, PTB-XL y más.
Selección de datos con estructura de bajo rango en aprendizaje activo
Descubre cómo la selección de datos basada en bajo rango supera al clustering tradicional. Nuevo método con garantías teóricas y mejor rendimiento en datasets
Auditoría de desaprendizaje automático: ¿realmente olvidan?
Descubre un marco de auditoría para comprobar si los modelos de IA realmente olvidan datos. Verifica el desaprendizaje sin reentrenar.
Predicción de parámetros de ejecución con aprendizaje activo y generativo
Predice parámetros de ejecución en química computacional con aprendizaje activo y generativo. Modelos alcanzan 99.9% de precisión.
Modelado de Recompensas Evolutivo Bilevel para Generalización en RL
Descubre cómo GERS mejora la generalización en RL usando solo métricas escalares, superando a métodos tradicionales en entornos no vistos.
GENIE: optimizador basado en OSGR para generalización de dominio
Descubre GENIE, un optimizador que usa el ratio OSGR para equilibrar actualizaciones de parámetros y mejorar la generalización a dominios no vistos. Supera a
pFedUL: Desaprendizaje federado por capas para aprendizaje personalizado
Descubre pFedUL, un marco de desaprendizaje selectivo que elimina datos de clientes en aprendizaje federado personalizado sin perder precisión. ¡Aprende cómo!
RL offline con difusión para redes UAV eficientes y justas
Aprendizaje por refuerzo offline con difusión para redes UAV justas y eficientes. Reduce energía, mejora equidad y aumenta throughput un 35%.
CacheMuon: Precondicionamiento Temporal para Aproximar el Factor Polar
CacheMuon acelera el entrenamiento al reutilizar información previa para aproximar el factor polar, reduciendo costos sin perder precisión. Descubre cómo.
Alineación de representaciones escalable e interpretable con similitud ordinal
Aprende cómo los índices ordinales TSI y QSI mejoran la medición de similitud entre representaciones, ofreciendo robustez y escalabilidad.
Factorización Neural Tucker con Corrección de Sesgo y Inicialización Adaptativa
Descubre KaBiN: modelo de factorización Tucker con corrección de sesgo e inicialización Kaiming para completar tensores HDI. Mejora precisión sin sobrecarga.
MUNI: Difusión Latente Multimodal Unificada para Generación Any-to-Any
MUNI: marco de difusión latente multimodal para generación any-to-any coherente. Supera modelos basados en LLM con enfoque unificado.
Taylor-Calibrate: Inicialización para destilación de atención lineal híbrida
Descubre cómo Taylor-Calibrate inicializa modelos de atención híbrida con 88x mejora y reduce tokens de entrenamiento 9.2x. Optimiza tus Transformers.
BRICKS-WM: Modelos de Mundo Modulares para Reutilización en RL
Descubre BRICKS-WM: modelos modulares que permiten reutilizar dinámicas de fondo, reduciendo tiempos de reentrenamiento en RL.
Cómo el post-entrenamiento da forma al razonamiento biológico
Nuevo estudio analiza más de 100 modelos: el post-entrenamiento no mejora uniformemente. Descubre la composición ideal para rendimiento dentro y fuera de
Mitigación Bayesiana de Anomalías: Pérdida Robusta y Clasificador No Supervisado
NBAM reemplaza la pérdida estándar en aprendizaje supervisado y además detecta automáticamente muestras contaminadas sin etiquetas. Ideal para datos ruidosos.
RepNet: Abordando el sesgo espectral en redes profundas con reparametrización
Descubre cómo RepNet elimina el sesgo espectral con reparametrización, logrando alta precisión en problemas oscilatorios y multiescala.