Convergencia de la última iteración de OMWU optimista
La última iteración de OMWU optimista converge a un punto silla en problemas suaves convexo-cóncavos. Un hito en optimización con aplicaciones en IA.
#aprendizaje
Gradiente de Política Determinista para Control con Inconsistencia Temporal
Algoritmo de gradiente de política determinista para aprender equilibrios en control con inconsistencia temporal. Aplicaciones en carteras y seguimiento óptimo.
De Prompts a Tokens: BridgeVLM para Razonamiento Causal Multi-Imagen
BridgeVLM internaliza causalidad en VLMs multi-imagen con tokens de razonamiento, superando prompts (54.4% vs 33.2%).
Conformal Bayes con Cambio de Etiqueta: Calibración Post-Hoc vs Adaptación
Descubre cómo restaurar la cobertura nominal en Bayes Conformal ante cambios de etiqueta: comparamos calibración post-hoc y adaptación en entrenamiento.
Modelado de propiedades magnéticas con redes neuronales conscientes de incertidumbre
Explora cómo las redes neuronales con cuantificación de incertidumbre predicen propiedades magnéticas y mejoran la confianza en materiales para imanes permanentes. ¡Fiabilidad garantizada!
Agarre diestro ciego con aprendizaje táctil Real2Sim2Real
Descubre cómo combinar calibración táctil Real2Sim y políticas de difusión para lograr agarre ciego en manos robóticas reales, sin visión ni demostraciones. Resultados: 27% de éxito.
Arquitectura del crítico: dual vs unificado en loco-manipulación humanoide
La arquitectura del crítico en RL para humanoides es clave: la crítica dual alcanza objetivos 3.5 veces más rápido y duplica la eficiencia frente a la unificada. Descubre por qué.
GraspLLM: Generalización zero-shot en grafos de texto con LLMs
GraspLLM combina LLMs y aprendizaje contrastivo para generalizar sin entrenamiento en múltiples datasets de grafos textuales. Logra rendimiento superior zero-shot.
AI4Land: Reconstrucción Global de Alta Resolución del Uso del Suelo
Descubre AI4Land: deep learning escalable para reconstruir el uso del suelo global a alta resolución, reduciendo incertidumbres climáticas con HPC.
De persistencia a supervivencia: pruebas y vectorización
Descubre STRAND: convierte diagramas de persistencia en datos de supervivencia para pruebas de hipótesis, tamaños del efecto y vectorización.
Modelado ordinal multimodal de Alzheimer con MRI y datos clínicos
Nuevo modelo de IA multimodal con regresión ordinal logra alta precisión en la clasificación de la severidad del Alzheimer usando MRI y datos clínicos.
NARRAS: Inferencia distribuida para localización CSI en IoT vehicular
Descubre cómo NARRAS optimiza localización vehicular basada en CSI al reducir transmisiones, mejorando precisión con presupuesto de actividad limitado.
Redes Kolmogorov-Arnold dispersas para tomografía cuántica interpretable
Descubre cómo las KANs dispersas permiten una tomografía cuántica interpretable, revelando la estructura de Pauli en estados GHZ.
Programas Neuro-Relacionales: Unificando Consultas y Redes Neuronales
Aprende cómo los NRPs unifican consultas lógicas y redes neuronales sobre datos relacionales con embeddings. Un nuevo enfoque para IA y bases de datos.
Transiciones de fase en atención: teoría bayesiana de emergencia de copia
Descubre cómo la teoría bayesiana explica la aparición abrupta de patrones de copia en la atención de transformers. Un estudio sobre transiciones de fase.
Robustez de modelos ML en sistemas de detección de intrusiones
Descubre por qué Random Forest (99.98% precisión) cae ante ataques adversarios, mientras CNN mantiene 95.5%. Comparativa de modelos ML para NIDS.
DAM-VLA: Modelo multimodal asíncrono desacoplado
DAM-VLA revoluciona la robótica al desacoplar el procesamiento temporal, logrando un 95.2% de éxito en tareas de contacto. Descubre el nuevo estándar.
Predicciones fiables con destilación mixup más allá del conocimiento oscuro
Aprende cómo combinar destilación de conocimiento y mixup para obtener predicciones fiables, mejor calibración y menor sobreconfianza en redes neuronales.
De priors uniformes a aprendidos: Difusión para descubrir estructuras
Diff-prior mejora la inferencia de estructuras con un prior adaptativo de difusión que calibra distribuciones inciertas para decisiones más claras.
Aprendizaje Cuántico Occam: Expresibilidad con Muestras para Circuitos Cuánticos
El aprendizaje cuántico de Occam revela cómo la complejidad de circuitos se convierte en un recurso estadístico. Aprende a seleccionar modelos con pocas muestras.