Simetrías en el aprendizaje PAC-Bayesiano
Descubre cómo las simetrías no compactas mejoran las cotas de generalización en PAC-Bayes. Experimentos validan la teoría.
#aprendizaje automático
SurrogateSHAP: Atribución de contribuyentes sin reentrenamiento para modelos T2I
Aprende cómo SurrogateSHAP atribuye contribuyentes en modelos T2I sin reentrenamiento, reduciendo costos y mejorando transparencia.
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
Quartet II: Pre-entrenamiento de LLMs en NVFP4
Descubre Quartet II, el método que optimiza el pre-entrenamiento de LLMs en formato NVFP4 en GPUs Blackwell. Mayor precisión y velocidad en tus modelos.
La interpretabilidad en modelos de series temporales profundos exige alineación semántica
Descubre cómo la alineación semántica revoluciona la interpretabilidad en modelos de series temporales profundos, mejorando la confianza y la toma de decisiones.
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 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.