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.
#aprendiz
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.
Redes de Grafos Multimodal y Mezcla de Expertos para Carbono Orgánico
SpTGNN predice carbono orgánico del suelo con precisión récord (R²=0.86) y cuantifica la incertidumbre. Ideal para agricultura sostenible.
PhysGuard: Proyección de Gradiente Fisher para PDE Neuronales
PhysGuard adapta modelos de PDE de simulación a datos reales preservando la física. Reduce errores hasta un 32% en dominios severos.
TCHG: Triple confianza para predicción dinámica en grafos heterogéneos
Descubre cómo TCHG descompone la evidencia de confianza en tres canales para predecir relaciones de confianza dinámicas con mayor fiabilidad y precisión.
Alineación de distribuciones en FL One-Shot mediante transporte óptimo
SLOT-Align alinea distribuciones en FL one-shot con transporte óptimo, mejorando precisión y robustez ante cambios de dominio y etiqueta.
Bandits Lineales Estocásticos: Casi Óptimos con Retraso
Descubre cómo el retraso en la retroalimentación afecta a los algoritmos de bandits lineales. Resultados casi óptimos con penalizaciones aditivas o
Aprendizaje de políticas con una sola trayectoria en MDP promedio
Aprende a obtener una política óptima desde una sola trayectoria en MDP promedio. Garantías de complejidad de muestra finitas con métodos libres de modelo.