TalkPlayData 2: Datos sintéticos para recomendación musical conversacional
Descubre TalkPlayData 2, un dataset sintético de agentes LLM para recomendación musical conversacional. ¡Impulsa tus modelos con datos realistas!
#aprendizaje automático
Wavelet Fourier Diffuser: modelo de difusión consciente de frecuencias para RL
Descubre cómo Wavelet Fourier Diffuser mejora el aprendizaje por refuerzo offline al corregir desplazamientos de frecuencia. Resultados superiores en D4RL.
PHASE: Reconstrucción Hiperespectral Consciente de Fisiología
PHASE: nuevo método de IA para reconstrucción hiperespectral fisiológica desde RGB. Logra +2.20 SSIM y -3.06 SAM con solo 1.5% de datos. Ideal para diagnóstico no invasivo.
Introducción a métodos de optimización para entrenar modelos SciML
Aprende cómo la física y los operadores diferenciales condicionan la optimización en SciML. Métodos de primer y segundo orden, aplicaciones prácticas y desafíos.
Planificar, Verificar y Completar: Decodificación Paralela en Modelos de Difusión
Descubre PVF, un nuevo método de decodificación paralela para modelos de difusión que reduce hasta un 65% las evaluaciones de función sin perder precisión.
Phantom Transfer: envenenamiento de datos sobrevive a defensas
Descubre cómo Phantom Transfer envenena datos y evade todas las defensas conocidas. Aprende por qué fallan las defensas actuales.
Modelos de difusión con información física en espacio espectral
Descubre cómo los modelos de difusión en espacio espectral integran leyes físicas para resolver PDEs con eficiencia y precisión. Ideal para ingeniería y ciencia.
Circuitos Probabilísticos Neuronales Causales
CNPC combina redes neuronales con circuitos causales para intervenciones precisas, mejorando la exactitud en modelos de caja de conceptos. ¡Resultados superiores!
Difusión sin Ajuste Fino para Generar Cristales Inorgánicos
Descubre cómo un modelo de difusión sin ajuste fino genera estructuras cristalinas inorgánicas con restricciones adaptativas, validando estabilidad termodinámica. ¡Innovación en ciencia de materiales!
Algoritmo de gradiente no monótono para NMF simétrica y clustering
Algoritmo SNMPBB: gradiente no monótono para NMF simétrica. 6x más rápido que alternativas y superior en clustering de grafos. ¡Optimiza!
Predicción de Recurrencia de Cáncer de Mama con Machine Learning Multimodal
Descubre cómo integrar datos clínicos multimodales con ML mejora la predicción de recurrencia del cáncer de mama.
RBF-KAN y RBF-SKAN Jerárquicos para Aproximación y Campos Aleatorios
Arquitecturas jerárquicas RBF-KAN y RBF-SKAN para aproximación multidimensional y aprendizaje de campos aleatorios. Reduce la maldición de la dimensionalidad.
Burlar al camaleón: desacoplamiento contrafáctico para cambios en streaming
Descubre cómo el método LPCD burla a los atacantes 'camaleón' que cambian tácticas en streaming, usando desacoplamiento contrafáctico para evaluar riesgos.
BYORn: Genera tus propias respuestas para defender modelos de visión-lenguaje
Descubre BYORn, método que protege modelos visión-lenguaje durante fine-tuning contra ataques backdoor, mejorando robustez.
De no convexo a fuertemente convexo: FTPL adaptativo para optimización online
Descubre cómo FTPL se adapta a la curvatura en optimización online, logrando desde O(√T) hasta O(log T) de regret sin conocer la curvatura por adelantado.
Redes neuronales: aprendizaje demostrable de representaciones espectrales de grupos
Descubre cómo las redes neuronales aprenden representaciones espectrales de grupos, convergencia demostrable a irreducibles y compresión de bajo rango.
TiWeaver: Modelado unificado de dinámicas temporales con parcheo contextual
TiWeaver optimiza el pronóstico multivariante mediante parcheo contextual y manejo de datos irregulares. Logra hasta un 25% más de precisión.
HARVE: Edición Robusta del Vector de Cabeza de Recompensa
Descubre HARVE, método sin entrenamiento que edita el vector de cabeza de recompensa para proteger modelos de lenguaje del hackeo, manteniendo su rendimiento.
Aprendizaje de Estructura Causal Temporal con Optimización Diferenciable
Descubre un método de optimización diferenciable que aprende estructuras causales en series temporales de forma rápida y precisa, superando a 12 algoritmos.
Aprendizaje de Estructuras Causales Temporales vía Optimización Diferenciable
Nuevo método de optimización diferenciable descubre causas en series temporales, eliminando restricciones acíclicas.