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.
#aprendizaje
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.
MLT-Dedup: Deduplicación eficiente de videos online a gran escala
Descubre cómo MLT-Dedup reduce repeticiones de video online en un 91% con precisión del 90%. Técnicas avanzadas de representaciones multinivel y coincidencia espacio-temporal.
LASA: Segmentación semántica débil de bocetos con vocabulario abierto
Descubre LASA, un método de supervisión débil que segmenta bocetos con vocabulario abierto usando atención multi-capa. Mejora mIoU hasta +15.7. ¡Lee más!
Memoria Estructurada Orientada a Tareas en Aprendizaje Contextual Multimodal Dinámico
Descubre TASM: comprime la memoria de modelos multimodales sin entrenamiento, manteniendo rendimiento y adaptabilidad. Ideal para aprendizaje en contexto.
Método adjunto vs PINNs: problemas inversos con EDP
Comparación justa entre método adjunto y PINNs en problemas inversos gobernados por EDP. Descubre cuándo usar cada técnica y cómo la estrategia híbrida PINN-adjunto reduce costos.
UniIntervene: Intervención Agentica para RL Eficiente en el Mundo Real
Descubre cómo UniIntervene reduce un 57% las intervenciones humanas en RL del mundo real, mejorando la eficiencia en robótica con recuperación autónoma.
Más que alineamiento: modelos guiados por cerebro para razonamiento robusto
Razonamiento mejorado: señales cerebrales guían a modelos de lenguaje, logrando un 13% más de precisión.
Aprendiendo patrones y abstracciones de secuencias perceptuales
Descubre cómo el chunking y la abstracción revelan patrones jerárquicos en secuencias perceptuales, comparándose con grandes modelos de lenguaje.
DuoBench: Benchmark para manipulación bimanual en simulación y mundo real
DuoBench: benchmark reproducible para manipulación bimanual. Evalúa políticas de aprendizaje y visión-lenguaje-acción en simulación y realidad. Incluye datasets y análisis de fallos.
Aprendizaje con margen angular adaptativo a la calidad para clasificación de sonidos respiratorios
Descubre QLung, un framework que mejora la clasificación de sonidos respiratorios usando márgenes angulares adaptativos a la calidad del audio. Aumenta precisión en ICBHI y SPRSound.
Mitigando impacto desigual en privacidad diferencial con recorte acotado
El recorte adaptativo acotado reduce el sesgo en privacidad diferencial, mejorando hasta un 10% la precisión en clases minoritarias. Descubre cómo lograrlo.
Lung-SRAD: Aprendizaje contrastivo para clasificación de sonidos respiratorios
Lung-SRAD: nuevo método SSM para clasificación de sonidos respiratorios que supera al AST en un 5% en ICBHI. Regularización espectral y aprendizaje contrastivo.
Investigación autónoma generalista con árbol de hipótesis
Arbor revoluciona la investigación autónoma: un marco IA que refina árboles de hipótesis y logra 2.5x más rendimiento que Codex y Claude Code.
Evaluación de personalidad y cognición con embeddings multimodales congelados
Descubre cómo los embeddings multimodales congelados mejoran la predicción de personalidad y capacidad cognitiva en video entrevistas asíncronas.
Bloqueo categórico previo: aprendizaje en contexto falla con datos estructurados
¿Por qué el aprendizaje en contexto falla con datos estructurados? El bloqueo de prior categórico limita a los LLMs. Descubre alternativas como LoRA.
Modelos fundacionales de series temporales para vida útil restante
Aprende cómo usar embeddings de Chronos-2 para estimar la vida útil restante de equipos industriales sin grandes datasets.
Modelos fundacionales tabulares para el análisis de supervivencia clínica
Los modelos fundacionales tabulares, con adaptación MTLR, alcanzan un índice C de 0.856 en MIMIC-IV, superando a DeepSurv y otros métodos. Descubre los resultados en este análisis.