Aprendizaje Heurístico Médico: Marco LLM para Reglas Clínicas Interpretables
Descubre MHL, un marco basado en LLM que genera reglas de decisión clínicas interpretables y auditables, con rendimiento comparable a métodos estado del arte
#aprendiz
Aprendizaje Inductivo de Grafos de Modelo para Completar Grafos de Conocimiento
MGIL aplica aprendizaje inductivo en grafos de modelo para mejorar la predicción de enlaces, logrando representaciones globales precisas.
MGIL: Aprendizaje Inductivo de Grafos de Modelo para Completar KG
Descubre MGIL: aprendizaje inductivo global para completar grafos de conocimiento con predicción de enlaces de vanguardia.
ROSA-RL: Aprendizaje por Refuerzo para Rotondas con Incertidumbre
ROSA-RL usa aprendizaje por refuerzo para velocidad óptima en rotondas con predicción probabilística de conflictos, mejorando seguridad y eficiencia.
MR-GVNO: Operador neuronal con conciencia geométrica para placas Mindlin-Reissner
Descubre MR-GVNO, un innovador operador neuronal que predice deformaciones en placas con geometría irregular, sin etiquetas, en milisegundos. Ideal para
De la predicción al pronóstico afectivo en textos longitudinales
La semántica textual predice el afecto actual; las trayectorias numéricas pronostican cambios futuros en textos longitudinales.
Modelos mundiales médicos: estados, dinámicas e intervenciones
Descubre cómo los modelos mundiales médicos simulan la evolución de enfermedades y guían intervenciones clínicas personalizadas. Una revisión de la IA en salud.
Derivación de optimización de políticas LLM: de recompensa a GRPO
Explora la derivación de optimización de políticas en LLM: de la recompensa esperada a GRPO. Un marco unificado que diagnostica fallos y guía el diseño de
Skill-to-LoRA: De habilidades a comportamientos para agentes LLM
Descubre Skill-to-LoRA: convierte instrucciones de agentes LLM en módulos de comportamiento entrenables, mejorando precisión y reduciendo tokens. Optimiza tus
OpenClaw-Skill: Búsqueda Colectiva en Árbol de Habilidades para LLMs
Descubre cómo OpenClaw-Skill construye un árbol de habilidades colectivas para mejorar la planificación y el uso de herramientas en LLMs agentivos. ¡Aprende
Razonamiento de LLM con pocas etiquetas: marco semisupervisado con verificador ligero
Descubre cómo un marco semisupervisado con verificador ligero permite que los LLM aprendan a razonar con solo unas pocas etiquetas, logrando precisión
La codicia se aprende: incentivos visibles y hackeo de recompensas
La codicia se aprende: los incentivos visibles pueden hacer que la IA sacrifique su tarea por recompensas. Un peligro para la seguridad y alineación.
Cuando dudes, planifica: SLM comprometido para RL reactivo
PACT combina un modelo de lenguaje pequeño con RL reactivo para planificación deliberativa, superando a métodos tradicionales en entornos desafiantes.
Análisis escalable de comentarios con clasificación multi-etiqueta e IA generativa
Combina clasificación multi-etiqueta e IA generativa para analizar comentarios de usuarios y obtener insights accionables para mejorar tu producto
PH-KAN: Red Port-Hamiltoniana Kolmogorov-Arnold
Descubre PH-KAN: unifica redes Kolmogorov-Arnold y modelos port-Hamiltonianos para identificación de sistemas interpretable.
VigilFormer: Atención deformable causal para detección de anomalías
VigilFormer combina atención deformable y causal para detectar anomalías en video. Logra 87.83% AUC en UCF-Crime a 41.5 FPS. ¡Alta precisión y velocidad!
BRIDGE: Refinamiento biológico y compuerta dinámica para redes de genes
BRIDGE combina refinamiento biológico y compuerta dinámica para predecir redes génicas desde scRNA-seq. Obtiene AUROC y AUPRC líderes, validado en hESC.
¿Tienen emociones los grandes modelos de lenguaje?
¿Los grandes modelos de lenguaje pueden tener emociones? Un estudio de Anthropic sobre Claude sugiere emociones funcionales. Analizamos la evidencia y el
¿Pueden las redes neuronales lograr el equilibrio óptimo entre cómputo y estadística?
Descubre cómo un nuevo algoritmo permite a redes neuronales de dos capas alcanzar el equilibrio óptimo entre cómputo y estadística en modelos de índice único,
M-CTX: Recuperación exacta y escalable de contexto espacial para análisis de trayectorias
M-CTX acelera 226x la construcción de contexto espacial para análisis de trayectorias, reduciendo de 17 días a 1.8 horas. Exacto y escalable.