AdaWeather: combinación adaptativa con arrepentimiento logarítmico
AdaWeather combina pronósticos con aprendizaje y expertos para precisión superior con arrepentimiento logarítmico. Mejora la predicción climática.
#aprendizaje automático
Clasificación binaria de superficie vial con ML en señales de vehículos en crucero
Aprende cómo la IA clasifica superficies resbaladizas en tiempo real usando señales de vehículos en crucero, mejorando la seguridad vial.
QUIVER: Vistas Cuánticas para Representaciones en Grandes Modelos ML
QUIVER incorpora vistas cuántico-informadas para mejorar representaciones en grandes modelos de ML, ofreciendo mejoras medibles en QM9 y JetClass.
Ver Menos, Especificar Más: Presupuestos de Evidencia para VLA
Mejora la generalización de modelos VLA con S2: entrena al ejecutor con guías locales y presupuestos de evidencia visual. Logra 79% de éxito en tareas robóticas.
Guía por recompensa en modelos de flujo y difusión: ¿realmente inclinamos?
El reward hacking en difusión proviene de la estimación finita de la función h. Proponemos una corrección sin costo y aclaramos el best-of-n.
Cuantización y características interpretables: análisis con autoencoders dispersos
La cuantización no destruye todas las características interpretables: un análisis revela que el 62% persiste en INT6, pero las métricas engañan.
Equivarianza exacta otorga generalización zero-shot
Descubre cómo la equivarianza exacta entrenada permite generalización zero-shot a través de grupos de simetría, reduciendo errores y mejorando la eficiencia en modelos de IA.
Destilación Constitucional Segura en Política
Descubre cómo COPSD logra un mejor equilibrio entre seguridad y utilidad en modelos de IA, reduciendo el costo de la seguridad en razonamiento general.
GFFMERGE: Fusión eficiente de campos de fuerza con GNN
Acelera tus simulaciones atomísticas con GFFMERGE, la fusión eficiente de modelos GNN. Logra hasta 27x de velocidad sin reentrenamiento.
Archivo completo del canal AI.Insaf (@ai_tablet)
Descubre el archivo completo del canal AI.Insaf: posts sobre IA, ML, RAG, LLMs, OCR y desarrollo. Tutoriales y trucos para expertos en tecnología.
Desbloqueando el potencial de la IA con datos de calidad
Descubre cómo la recopilación de datos de alta calidad impulsa el potencial de la IA. Aprende las claves para entrenar modelos de lenguaje precisos y éticos.
¿Cómo una app personalizada reemplaza hojas de cálculo y mejora resultados?
Descubre cómo una app a medida centraliza datos, elimina errores de copy-paste y ofrece dashboards con alertas automáticas para mejorar resultados.
Información inducida por estructura para reenraizar búsqueda de Levin
Descubre cómo la información estructural permite reenraizar la búsqueda de árbol de Levin, logrando mayor escalabilidad y eficiencia en problemas complejos.
De diagnóstico interno a auditoría externa: defensa contra backdoors con VLM
Conoce PRISM, un marco basado en VLMs que cambia el diagnóstico interno por auditoría externa para neutralizar backdoors con tasa de éxito menor al 1%.
Descifrando el Grokking en Regresión Ridge
Descubre cómo el grokking en regresión ridge demuestra que la generalización tardía no es un fallo de deep learning. Aprende a controlarlo con hiperparámetros.
Cuando más datos no ayudan: límites de la adaptación en aprendizaje multitarea
¿Más datos siempre mejoran el aprendizaje multitarea? Un nuevo estudio demuestra que no. Conoce los límites insuperables de la adaptación y el teorema de no-free-lunch.
Las redes equivariantes identificables son equivariantes por capas
Descubre cómo redes neuronales equivariantes identificables garantizan equivarianza por capas. Un hallazgo clave para entender simetrías en IA.
Cuantificando la incertidumbre de modelos fundacionales con SVE
Descubre SVE: incertidumbre calibrada en modelos fundacionales con solo 1% de parámetros extra.
Adaptadores Kronecker: la importancia del diseño de componentes
Optimiza el ajuste fino de modelos grandes con adaptadores Kronecker. Conoce CDKA, una nueva técnica que mejora la capacidad y eficiencia mediante el diseño estratégico de componentes.
La ilusión de generalización en modelos de lenguaje tabulares
¿Son realmente efectivos los modelos de lenguaje tabulares? Nuestra reevaluación de Tabula-8B muestra que la generalización se debe a artefactos de evaluación, no a aprendizaje real.