Acelerando optimización SAV con Hessiana de bajo rango aleatorizada
N-RSAV acelera la optimización SAV con Hessiana de bajo rango aleatoria. Logra convergencia más rápida en PINNs y problemas mal condicionados.
#aprendizaje
Política de Puntos Diestra: Aprendizaje sin Demostraciones Robóticas
Descubre Dexterous Point Policy: entrena manos robóticas diestras sin demostraciones robóticas, solo con videos. ¡Alcanza un 75% de éxito en tareas reales!
Aprendizaje de Manipulación Robótica desde Demostraciones Humanas
Descubre cómo aprender manipulación robótica diestra desde videos humanos, logrando 75% de éxito sin demostraciones robóticas. Innovación en IA.
Marco adaptativo para magnetosfera de púlsares con redes Kolmogorov-Arnold
Descubre las redes Kolmogorov-Arnold que mejoran precisión y rapidez en simulaciones de magnetosfera de púlsares, reduciendo errores y tiempo de entrenamiento.
Corrigiendo la importancia de variables en Random Forests
Descubre cómo corregir el sesgo en la importancia de variables calculada por Random Forests cuando hay correlaciones. Método basado en agrupación condicional para obtener métricas más precisas.
Aprendizaje por refuerzo para óptica adaptativa: demostración en cielo
Descubre cómo PO4AO, basado en aprendizaje por refuerzo, logra la primera demostración en cielo superando al controlador estándar.
Agregación segura con Top-K en aprendizaje federado descentralizado
Descubre cómo la agregación segura con escasez Top-K reduce costos de comunicación en aprendizaje federado descentralizado, manteniendo precisión del modelo.
Control generalista condicionado por morfología para robots multirrotor
Descubre cómo un único modelo de IA controla cualquier configuración de drones multirrotor, gracias a la morfología condicionada y entrenamiento ultrarrápido.
DF-SSM: Compresión 1-bit y Organización del Conocimiento en Mamba-2
Descubre cómo los Modelos de Campo de Densidad comprimen Mamba-2 a 1-bit, logrando inferencia 21x más rápida y revelando la organización interna del conocimiento en tres fases.
Arquetipos generativos en representación de ítems para recomendación secuencial
Descubre GenAIR, un marco que mejora la recomendación secuencial usando arquetipos generativos y calibración conductual. ¡Aumenta el rendimiento de tus modelos!
Sistemas Predictivos Conformales Generalizados ante Cambios de Distribución
Descubre cómo los Sistemas Predictivos Conformales Generalizados manejan cambios de distribución, ofreciendo bandas de predicción calibradas y robustas.
¿Ayudan realmente los Transformers en la detección de intrusiones?
Un estudio revela que el método de padding, y no la arquitectura, determina el éxito de los Transformers en detección de intrusiones. Descubre cómo la evaluación sesgada infla los resultados.
EEVEE: Aprendizaje de prompts en tiempo de prueba para agentes automejorables
Descubre EEVEE, marco de aprendizaje de prompts en tiempo de prueba para agentes LLM que maneja múltiples datasets y mejora el rendimiento hasta un 48%
Ajuste fino supervisado: diseño de distribución objetivo
Descubre cómo el diseño de distribución objetivo revoluciona el ajuste fino supervisado de modelos de IA. Target-SFT optimiza la distribución y supera métodos tradicionales.
DMT: Transformador con condicionamiento demográfico y morfología para PA sin manguito
DMT: Transformador con condicionamiento demográfico y morfología logra MAE 4.56 mmHg sistólica y 2.62 diastólica en PA sin manguito.
Modelos de difusión rompen la maldición de la dimensionalidad
Los modelos de difusión superan la maldición de la dimensionalidad aprendiendo distribuciones de baja dimensión con pocas muestras. Clave para IA generativa.
Aprendizaje Federado Activo-Pasivo para Datos Multivista con Partición Vertical
Nuevo marco APFed: un cliente activo realiza inferencia independiente en datos multivista con partición vertical, preservando la privacidad.
Robustez de grafos contra ataques backdoor: perspectiva de sobresimilitud
Descubre cómo SimGuard protege redes de grafos contra ataques backdoor usando sobresimilitud. Mejora la robustez sin sacrificar rendimiento.
AdaGC: Mejora la estabilidad del preentrenamiento con recorte adaptativo
AdaGC mejora la estabilidad del preentrenamiento de modelos de lenguaje grandes (LLM) eliminando picos de pérdida y aumentando la precisión en hasta 2.48%.
FreshRetailNet-LT: Dataset de demanda censurada con desabastecimientos
Descubre FreshRetailNet-LT, el primer dataset con datos de demanda censurada y desabastecimientos para mejorar la previsión en retail fresco.