CARES: Selector de Resolución Consciente del Contexto para VLMs
CARES es un módulo ligero que selecciona la resolución mínima para VLMs, reduciendo el cómputo hasta un 80% sin perder precisión. Optimiza tus modelos.
#aprendizaje
La geometría del grokking: minimización de norma en la variedad de pérdida cero
Descubre cómo la minimización de norma en la variedad de pérdida cero explica el fenómeno grokking: generalización tardía tras memorización.
NILC: Descubriendo nuevas intenciones con clustering asistido por LLM
NILC usa LLMs para mejorar el clustering en descubrimiento de nuevas intenciones, superando benchmarks en sistemas de diálogo.
El razonamiento latente en TRMs es un operador de mejora de política
En TRMs, el razonamiento latente actúa como operador de mejora de política. Con RL y difusión, reducimos 18x los pasos.
Flow Matching para reducción de escala de precipitación convectiva
Descubre cómo flow matching mejora la reducción de escala de precipitación convectiva, superando a modelos de difusión en precisión espacial. Ideal para proyecciones climáticas de alta resolución.
Dilema representación-racionalización en aprendizaje de recompensas
Descubre el dilema entre representación y racionalización en RLHF: cómo el embedding afecta la consistencia de las recompensas y los límites de la optimización.
¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!
El redondeo estocástico aumenta los valores singulares pequeños
El nuevo estudio muestra que el redondeo estocástico regulariza todo el espectro de valores singulares, no solo los más pequeños.
Clonación de Comportamiento de MPC para Robots Manipuladores de 3 GDL
Descubre cómo la clonación de comportamiento reduce la carga computacional del MPC en robots de 3 GDL, logrando una reducción de 3x en latencia y un 84.98% de éxito. Ideal para control en tiempo real.
Predicción espectral para acelerar cálculos electrónicos a gran escala
Acelera cálculos de estructura electrónica a gran escala con predicción espectral basada en datos. Modelos de machine learning optimizan iteraciones SCF en BigDFT, reduciendo tiempo y recursos.
Optimización estocástica riemanniana para reducción suficiente de dimensión
Aprende cómo SMAVE optimiza la reducción de dimensionalidad con gradiente riemanniano estocástico, superando a RMAVE en velocidad y precisión.
Predicción Conformal Online sin Parámetros y Condicional por Grupos
Nuevo método de predicción conformal online sin parámetros para cobertura justa por grupos en entornos cambiantes. ¡Mejora la fiabilidad de tus modelos!
Convergencia de métodos de gradiente estocástico bajo ruido de cola pesada
Descubre cómo SGD y SMD convergen en expectativa bajo ruido de cola pesada sin modificaciones. Nuevos resultados revelan su potencial.
DeepLatent: Razonamiento visual latente paralelo con imágenes
DeepLatent: revolucionario marco paralelo de razonamiento visual latente. Usa tokens 2D y RL continuo para alcanzar rendimiento de vanguardia en benchmarks clave.
Factorización de Tucker Neural Guiada por Espectro
Descubre SG-NTF, un innovador método de factorización de Tucker guiado por espectro para completar tensores de alta dimensión e incompletos con eficiencia paramétrica.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Generación de Estructuras de Complejos Metálicos con Difusión en Variedades
Descubre cómo TMCgen, un modelo de difusión en variedades, genera geometrías precisas de complejos metálicos para catálisis y diseño de fármacos. ¡Aprende más!
Corteza y subcorteza: roles distintos en el aprendizaje con memoria limitada
Descubre cómo la corteza y subcorteza trabajan juntas para optimizar el aprendizaje con memoria limitada. Una nueva teoría explica sus roles distintos.
Internalizar la temperatura: autodestilación para recalentar políticas en RL
Descubre cómo TS-OPSD recalienta políticas en RL sin profesor externo, restaurando entropía colapsada para mejorar el razonamiento de LLMs.
Meta-Optimización con Ensambles Adaptativos para Equilibrio Robustez-Precisión
AdaE-SAEA: algoritmo evolutivo con ensambles adaptativos y RL para equilibrar robustez y precisión. Mejora rendimiento en problemas reales.