Inferir eventos de series temporales con modelos de lenguaje
Descubre cómo los modelos de lenguaje infieren eventos a partir de series temporales usando datos deportivos. Un nuevo benchmark y técnicas de destilación mejoran el rendimiento.
#aprendizaje automático
ReTabAD: benchmark para restaurar contexto semántico en detección de anomalías
Descubre ReTabAD, el benchmark que restaura el contexto semántico en la detección de anomalías tabulares. Mejora rendimiento e interpretabilidad con LLM.
Auditoría contrafactual de habilidades en agentes LLM
La tasa de acierto apenas cambia, pero las habilidades transforman el comportamiento de los agentes LLM. Descubre cómo la auditoría de trazas contrafactuales revela patrones ocultos.
Machine Learning de Grafos en la Era de los LLMs
Los LLMs revolucionan el Machine Learning de Grafos: mejoran características, reducen datos etiquetados y potencian el razonamiento. Descubre cómo.
Rompiendo las burbujas de información con sistemas de recomendación
Descubre cómo HERec, un nuevo marco hiperbólico, rompe las burbujas de información al equilibrar exploración y explotación, mejorando la diversidad en tus recomendaciones.
PRISM: Selección Intrínseca de Datos Multimodales sin Entrenamiento
Descubre PRISM, un método que selecciona datos de instrucción visual sin entrenamiento, reduciendo costes y mejorando el rendimiento de modelos multimodales.
Puntos ciegos del desaprendizaje: sobre-desaprendizaje y ataque prototípico
Descubre los puntos ciegos del desaprendizaje automático: sobre-desaprendizaje y ataque de reaprendizaje. Spotter los neutraliza.
DISCO: Mitigación de sesgo en deep learning con correlación condicional
Aprende cómo DISCO mitiga sesgos en modelos de deep learning usando correlación de distancia condicional. Resultados más precisos y robustos.
Fiabilidad Conformal: Nueva Métrica para Generación Condicional
Descubre la nueva métrica de fiabilidad conforme para evaluar modelos generativos. Aprende cómo CReL optimiza el peor caso en generación condicional.
Aprendizaje de dinámicas macroscópicas invariantes a permutaciones
Descubre cómo modelar sistemas de partículas sin orden fijo con autoencoders invariantes a permutaciones. Aprende dinámicas macroscópicas para fluidos y polímeros.
Enfoque principal-agente para agregar benchmarks: bienestar, mejorabilidad, varianza
Optimiza benchmarks de IA con bienestar, mejorabilidad y varianza. Nuevo marco de auditoría. ¡Descúbrelo!
Difusión No Supervisada para Optimización Combinatoria vía Ajuste Adjunto
Descubre CAM, un método no supervisado de difusión para optimización combinatoria que supera soluciones supervisadas. Resultados competitivos sin datos etiquetados.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
Modelado de series temporales multiescala generalizado con un solo operador
Descubre cómo SiGMA generaliza el modelado multiescala de series temporales con un solo operador, logrando 5.3x más velocidad y 3.8x menos memoria.
Representaciones hiperesféricas tiempo-frecuencia para detección de anomalías
Aprende cómo las representaciones hiperesféricas tiempo-frecuencia mejoran la detección de anomalías en series temporales. Resultados con k-NN y Mahalanobis.
Puentes de Schrödinger basados en geometría para fusión multimodal fiable
Descubre cómo GMF usa corrección de transporte geométrica para evaluar fiabilidad en fusión multimodal, rompiendo la dependencia de confianza del modelo.
Más allá de modelos aditivos: separabilidad e interpretabilidad
Descubre Tensor Separation Learning, método de regresión que supera modelos aditivos (GAMs, SHAP) ofreciendo visualizaciones fieles sin cancelación de señales.
Cómo el chat en vivo con IA usa datos para mejorar resultados
Descubre cómo el chat en vivo con IA recopila y analiza datos para mejorar tiempos de respuesta, consistencia y resultados. Q2BSTUDIO integra analítica avanzada.
Descomposición de tipos de fraude y límites de detección por clase
Descubre por qué tratar el fraude como homogéneo es un error. Taxonomía de 5 clases de fraudes con límites de detección específicos en pagos.
Hacia Autoencoders Dispersos Identificables
Los nuevos autoencoders dispersos identificables (iSAE) mejoran la estabilidad y precisión en la interpretación de redes neuronales. Aprende más.