CAREAgent: Agente Clínico con Razonamiento Estructurado para Órdenes
Descubre CAREAgent, el agente clínico que combina razonamiento estructurado y herramientas integradas para generar órdenes clínicas precisas. Mejora el F1 un 5%
#aprendizaje automático
SkillRevise: Mejora de habilidades de agentes LLM vía revisión por trazas
SkillRevise mejora agentes LLM revisando habilidades con trazas de ejecución. Logra un 61% de éxito, superando ampliamente a modelos base.
Geometría ordinal emergente en Transformers entrenados con comparaciones locales
Una investigación revela que los Transformers aprenden inferencia transitiva mediante una geometría ordinal emergente, replicando el efecto de distancia simbólica observado en humanos y animales.
ANDES: Síntesis Evolutiva de Datos para Agentes Autónomos
Descubre cómo ANDES, una herramienta de síntesis evolutiva de datos, permite a agentes IA alinear instrucciones de forma autónoma y mejorar el rendimiento en post-entrenamiento.
Modelado generativo con flujos para optimizar muestreo en compresión
Optimiza el submuestreo en compresión de sensores con modelos generativos de flujo. Logra reconstrucciones de imágenes de alta calidad con solo el 5% de datos. Ideal para MRI.
SentimentLens: Reconciliando Sentimiento y Calificaciones en Hotelería
Descubre cómo SentimentLens transforma reseñas hoteleras en información útil con IA. Análisis de sentimiento y calificaciones para mejorar la gestión hotelera.
Diversidad sobre frecuencia: repensar uso de herramientas en agentes visuales
La diversidad en exploración supera a la frecuencia de uso de herramientas. Descubre el colapso y cómo la regularización de entropía mejora el razonamiento.
Destilación guiada por ruido visual para desaprender modelos multimodales
Descubre cómo VGID usa ruido visual y destilación para eliminar conocimiento no deseado en modelos multimodales sin perder rendimiento.
La selección adaptativa mejora la predicción en wearables con bajo rendimiento
Descubre cómo la selección adaptativa de datos mejora la predicción en wearables, especialmente con bajo rendimiento base. Ganancia de hasta 0.7 en AUROC.
Modelo fundado en física para MRI de difusión cuantitativa
PIGMENT: modelo de IA informado por física para MRI de difusión cuantitativa. Permite mapear microestructura cerebral con datos escasos. Ideal para diagnóstico.
ChurnNet: Una IA moderna optimizada para la predicción de abandono
¿Puede una IA optimizada como ChurnNet superar a los métodos clásicos de machine learning? Descubre los resultados en nuestra comparativa.
Más allá de la aumentación: Score guiado para detectar depresión con EEG
Nuevo método de clasificación guiada por puntuación detecta depresión con EEG sin aumentación de datos, mejorando precisión.
De Rashomon a PRAXIS: Conjuntos Rashomon eficientes en árboles de decisión
Descubre PRAXIS, un algoritmo que calcula conjuntos Rashomon en árboles de decisión con gran eficiencia, reduciendo tiempo y memoria. ¡Aprende cómo!
Recopilación de datos para IA de control de calidad en alfombras
Descubre cómo recopilar y etiquetar datos visuales para entrenar una IA que detecte defectos en alfombras, reduciendo costes y mejorando la calidad.
DSL-LLaDA: Denoising Continuo para Modelos de Difusión Enmascarados de 8B
DSL-LLaDA adapta LLaDA para denoising continuo, evitando el compromiso longitud/calidad. Obtiene el mejor ROUGE-1 en resumen con pocos pasos.
Plausibilidad no es predicción: evidencia contrastiva en perturbaciones con LLM
Los LLMs fallan al predecir efectos de perturbaciones celulares. CORE organiza evidencia contrastiva para mejorar la precisión hasta un 28.6%. Descubre cómo.
Más allá del éxito de tarea: Diagnósticos en WAM y VLA
Descubre en este estudio comparativo las diferencias clave entre políticas VLA y modelos WAM en comportamiento y representaciones internas.
QADR: Algoritmo Cuántico para Reducción Distribuida de Entrelazamientos
El marco QADR reduce la memoria de simulación exponencial y evita los barren plateaus, superando a SVM y redes clásicas en MNIST y diagnóstico industrial.
Claves de un modelo fuerte: análisis espectral de transferencia de conocimiento
Descubre cómo la transferencia de conocimiento potencia modelos de IA mediante análisis espectral unificado. Incluye destilación y generalización débil-fuerte.
ChronosAD: Modelos base de series temporales para anomalías
ChronosAD utiliza modelos base de series temporales para detectar anomalías con alta precisión. Supera a otros métodos en un 4.72% AUC y 6.60% AP en 11 benchmarks.