PJ-RoPE: Espacio Fourier-Jet-Afin para Atención Relativa
PJ-RoPE unifica RoPE, Jordan-RoPE y ALiBi en un espacio aprendible. Mejora la estabilidad y la precisión en tareas de lenguaje y música.
#aprendizaje automático
Cierre no markoviano asistido por Mamba para modelado de orden reducido
Descubre cómo el modelo MAC, basado en Mamba, mejora la precisión y estabilidad en el modelado de orden reducido de sistemas dinámicos.
Límites de precisión de árboles causales para efectos individualizados
Exploramos los límites de precisión de los árboles causales para efectos de tratamiento individualizados. ¿Por qué pueden converger lentamente y qué significa para la inferencia causal?
Superando los límites de los potenciales interatómicos sin restricciones
Descubre cómo los potenciales interatómicos sin restricciones superan en precisión y velocidad a modelos físicos, incluso en simulaciones estáticas.
DP-MacAdam: Mecanismo Diferencialmente Privado con Recorte y Momentum Adaptativos
Descubre DP-MacAdam, un mecanismo que combina recorte y momentum adaptativos para entrenar modelos con privacidad diferencial y mayor utilidad.
Modelos tabulares fundacionales para PHM unificado y eficiente en datos
Descubre cómo modelos tabulares fundacionales logran PHM unificado y eficiente con pocos datos, superando a métodos tradicionales en mantenimiento predictivo.
MolE-RAG: Generación Aumentada con Recuperación de Estructura Molecular
Descubre cómo MolE-RAG mejora la predicción molecular mediante recuperación de literatura, contexto y estructuras similares, sin entrenamiento.
Comparación de algoritmos de ML para mapeo de cultivos en temporada
Descubre cómo los algoritmos de machine learning comparan en precisión para mapear cultivos de maíz y almendras usando imágenes satelitales antes de la cosecha.
SVM robusto y disperso con pérdida truncada híbrida para clasificación supervisada
Nueva función de pérdida truncada híbrida para SVM mejora robustez frente a outliers, reduce vectores de soporte y logra mayor precisión en clasificación supervisada.
Descifrando dos relojes de entrenamiento en Grokking
Cómo el fenómeno Grokking separa el ajuste de datos de la simplificación de representaciones con dos relojes de entrenamiento. Teoría de redes lineales y ReLU.
TS-ICL: Un modelo flexible de series temporales mediante aprendizaje en contexto
Descubre TS-ICL, un innovador modelo de series temporales que unifica pronóstico e imputación mediante aprendizaje en contexto. Supera a otros modelos en imputación y pronóstico con datos parciales.
Teoría de alta dimensión del ajuste fino LoRA en atención
Teoría de alta dimensión para ajuste fino LoRA en atención. Descubre cómo el pre-entrenamiento afecta el error de prueba y la alineación. Ideal para optimizar modelos.
Abordando el desbalance multi-etiqueta con sobremuestreo LSDMLO
Descubre LSDMLO, un novedoso método de sobremuestreo que mejora la clasificación multi-etiqueta al considerar la relevancia de características por etiqueta. Reduce sesgo y sobreajuste.
Generación adaptativa de datos secuenciales con modelos de difusión
Descubre cómo los modelos de difusión generan datos secuenciales sin anticipación. Aprende el nuevo marco forward-backward para series temporales realistas.
Alineación adaptativa de estados oscilatorios para pronóstico temporal
Descubre AOSNET, un método que alinea estados oscilatorios para predecir series temporales con alta precisión incluso en datos no estacionarios.
Aprendizaje por refuerzo con regularización KL y mala especificación
Descubre cómo la regularización KL mejora el aprendizaje por refuerzo ante modelos incorrectos. Nuevas garantías teóricas para algoritmos robustos. ¡Lee más!
Marco Sliced-Wasserstein en matrices de correlación para decodificación EEG
Nuevo marco CorSW mejora la decodificación EEG con Wasserstein recortado en matrices de correlación, logrando generalización robusta a bajo costo.
Monitoreo predictivo de emisiones con confianza para flotas de turbinas de gas
Predice emisiones NOx en flotas turbinas gas con pocos datos etiquetados. Marco probabilístico asigna confianza para mayor fiabilidad y transparencia.
Modelado de exacerbación de asma infantil a partir de múltiples factores de riesgo
Descubre cómo modelos interpretables predicen exacerbaciones de asma infantil en Virginia costera combinando contaminación, clima y factores socioeconómicos. Es
Meta-aprendizaje para enrutar LLMs según preferencias de costo-rendimiento
Optimiza el uso de modelos de lenguaje: MetaRouter utiliza meta-aprendizaje para personalizar el enrutamiento según tus necesidades, reduciendo costes sin sacrificar rendimiento.