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.
#aprendizaje automático
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.
Adaptación de Ruido Semi-Supervisada: Transferencia desde Dominio Ruidoso
Descubre cómo la adaptación de ruido semi-supervisada (SSNA) utiliza ruido sintético para mejorar la generalización de modelos de aprendizaje automático. ¡Optimiza tu rendimiento!
RADE: Regularización con adición y eliminación aleatoria de aristas
RADE: aumento estocástico de aristas que reduce sobreajuste y sobre-compresión en GNNs. Sin desalineación entrenamiento-inferencia, mejora el rendimiento.
Conciencia Parcial de Equidad en Aprendizaje Automático Estratégico
Descubre cómo la conciencia parcial de equidad resuelve el dilema entre transparencia y manipulación, mejorando la justicia en modelos de IA con un mecanismo guiado por creencias.
Programación de paquetes en línea con plazos y aprendizaje
Descubre cómo algoritmos de programación de paquetes en línea con plazos y aprendizaje bandido optimizan el QoS en redes, superando barreras de competitividad.
Uso de machine learning para emular simulaciones de trombectomía mecánica
Descubre cómo el machine learning acelera las simulaciones de trombectomía mecánica, permitiendo decisiones más rápidas en el tratamiento del ictus isquémico.
PRISM: LoRA diferencialmente privada con invariancia gauge
Descubre PRISM, un mecanismo de privacidad diferencial para LoRA que evita la amplificación de ruido. Mejora la privacidad sin sacrificar utilidad.
Reducción de Varianza del Punto Óptimo en Optimización Bayesiana
El método OVR reduce la varianza del punto óptimo en optimización bayesiana con garantía de arrepentimiento. ¡Descubre sus fundamentos!
Funciones de Confianza: Generalización Débil a Fuerte sin Pérdidas
Aprende cómo las funciones de confianza filtran etiquetas débiles para lograr generalización casi sin pérdidas. Mejora tu IA.
LeAP: Permutación Adaptativa para Selección de Características
LeAP aprende a seleccionar características en sistemas de recomendación dispersos, reduciendo costos y eliminando redundancias sin perder rendimiento.
Revisitando Procesos Neuronales con Fourier y Volterra
Descubre cómo la Transformada de Fourier y las Series de Volterra mejoran los Procesos Neuronales, logrando campos receptivos globales y escalabilidad lineal en datos irregulares.
Firmas de Motivos Temporales para Redes Neuronales de Grafos Temporales
Descubre cómo las firmas de motivos temporales mejoran la predicción en redes neuronales de grafos temporales. Aplicaciones en MOOC, Bitcoin y más.
Clasificación Estratégica Lineal con Mejoras Endógenas
Exploramos la clasificación estratégica lineal donde los agentes mejoran realmente tras el clasificador. Nuevo algoritmo con garantías PAC y validación en datos reales.
Más allá de las sinusoides: Codificación posicional con wavelet Morlet
MoPE: codificación posicional con wavelet Morlet que unifica sinusoides y RoPE, aprende frecuencias y localidad. ¡Rendimiento superior en transformers!