De cero a héroe: Detección de anomalías zero-shot en tablas
Descubre OUTFORMER, el modelo base zero-shot que revoluciona la detección de anomalías en tablas. Sin etiquetas, rápido y preciso. ¡Lee más!
#aprendizaje automático
Aprendizaje de modelos híbridos consciente de nitidez para estimar parámetros
Aprendizaje híbrido con minimización de nitidez (SAM) para estimar parámetros científicos de forma robusta y precisa, basado en Occam. ¡Descubre cómo!
Auto-mejora iterativa con currículos fácil-difícil: teoría centrada en tareas
Aprende cómo la teoría centrada en tareas y currículos fáciles a difíciles permiten la auto-mejora iterativa de LLMs con garantías de rendimiento.
Topología y texto importan: Detección OOD en grafos con texto usando LLMs
Descubre LG-Plug, un marco plug-and-play que alinea topología y texto para detectar nodos fuera de distribución en grafos textuales, reduciendo FPR95 >7%.
PathCRF: Detección de eventos de fútbol sin balón usando trayectorias
Descubre cómo PathCRF detecta pases y controles sin balón usando solo trayectorias. Ahorra costos y anotaciones.
iML: AutoML ejecutable, basado en problemas y exploratorio
iML es un marco AutoML de código ejecutable que garantiza fiabilidad, fundamentación en datos y exploración amplia (90% de envíos válidos en benchmarks).
Pérdidas LK: optimización directa de aceptación para decodificación especulativa
Optimiza la tasa de aceptación con pérdidas LK en decodificación especulativa, logrando hasta un 10% más de longitud.
Estimación de razón de densidades con flujos para distribuciones intratables
Descubre cómo la estimación de razón de densidades con flujos condicionados permite comparar estados celulares en genómica para evaluar efectos de tratamiento.
Límites de generalización de longitud en transformers
Descubre por qué no existen límites computables de generalización de longitud para transformers y C-RASP, y cómo afecta al aprendizaje automático.
Autoencoder Disperso a Nivel de Paso para Interpretar Razonamiento
Descubre cómo el autoencoder disperso a nivel de paso (SSAE) desentraña el razonamiento de los LLMs, revelando información sobre corrección y lógica. Ideal para interpretabilidad en IA.
Flowers: un motor warp para solucionadores neuronales de PDE
Flowers: arquitectura neuronal con warps multihead. Sin Fourier ni atención, logra interacciones globales a costo lineal. Supera a modelos mucho más grandes.
DAPD: Decodificación Paralela con Atención y Dependencias para LLMs de Difusión
Descubre cómo DAPD mejora la precisión y velocidad en LLMs de difusión mediante decodificación paralela consciente de dependencias sin reentrenamiento.
Marco teórico para la evaluabilidad estadística de modelos generativos
Nuevo marco teórico para evaluar modelos generativos. Analizamos IPMs, divergencias y perplexidad. Ideal para investigadores en IA.
Calibrando la incertidumbre en CLIP adversarial zero-shot
Descubre nuevo método de fine-tuning adversarial para CLIP calibra la incertidumbre y mejora robustez sin perder precisión en clasificación zero-shot.
VLM4VLA: Revisando la competencia de los VLM en robótica
VLM4VLA revela que la capacidad general de los VLM no garantiza un buen control robótico. Descubre las claves para elegir el modelo adecuado.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
Descubre cómo naPINN, una red neuronal adaptativa al ruido, recupera soluciones físicas a partir de mediciones corruptas, superando a métodos tradicionales. Ideal para datos con outliers.
¿Cuándo supera la dinámica inversa predictiva a la clonación de comportamiento?
Los modelos de dinámica inversa predictiva superan a la clonación de comportamiento en eficiencia de muestras. Explicación teórica y validación empírica.
Propagación de Equilibrio para Sistemas No Conservativos
Descubre el nuevo algoritmo de propagación de equilibrio para sistemas no conservativos que calcula el gradiente exacto, con mejor rendimiento y aprendizaje más rápido.
Ajuste fino colaborativo y eficiente: aprovechando la similitud de tareas
Descubre CoLoRA, un método que aprovecha la similitud entre tareas para mejorar el ajuste fino de modelos fundacionales con pocos datos.
Datos sintéticos de calidad permiten primeras leyes de escalado para LLMs en recomendación
Descubre cómo datos sintéticos de calidad permiten las primeras leyes de escalado para LLMs en recomendación, superando datos reales.