++nnU-Net: Escalando nnU-Net con aumento de datos basado en prefijo
El ++nnU-Net usa aumento de datos por registro para mejorar hasta un 22% la precisión en segmentación médica. Código abierto disponible.
#aprendizaje
Modelo basado en Transformers para reconocimiento de emociones con EEG
Descubre EEG-TransNet, un modelo basado en Transformers que revoluciona el reconocimiento de emociones mediante señales EEG. Alta precisión y robustez.
Muestreador Adaptativo con Descuento por Atención para Difusión Enmascarada
ADAS introduce un descuento por atención en el muestreo paralelo, mejorando la calidad de modelos de difusión enmascarada sin entrenamiento adicional. Aumenta precisión en benchmarks hasta 10 puntos.
Actualizaciones de objetivo duro promediadas geométricamente para Q-learning lineal
Descubre cómo el promedio geométrico de actualizaciones de objetivo duro estabiliza el Q-learning lineal. Un nuevo enfoque para mejorar el aprendizaje por refuerzo.
Pose-ICL: Personalización de sujetos con control 3D de pose
Descubre Pose-ICL, un nuevo método de IA que permite controlar la pose de objetos personalizados en generación de imágenes con alta precisión y consistencia.
¿Qué escuchan realmente los detectores de deepfake?
¿Qué pistas usan los detectores de deepfake de voz? Descubre cómo analizan ambiente, fonemas y bordes de palabras para detectar audios falsos. Explicabilidad con IA.
Recuperables pero no estacionarias: estructuras lineales locales
Estructuras lineales locales en pesos y activaciones son recuperables pero evolucionan rápido, desafiando direcciones de tarea fijas. Estudio con GPT-2 y LoRA.
Más allá de la región de confianza uniforme por token en RL para LLMs
CPPO mejora la estabilidad y precisión del razonamiento en LLMs al superar las regiones de confianza uniformes. Nuevo enfoque de optimización.
Explicabilidad generativa para redes de próxima generación
Mejora la transparencia de la IA en redes con un novedoso marco de explicabilidad generativa que combina LLM y SHAP, logrando un 97.5% de corrección y mayor utilidad.
Más allá de la confianza uniforme en tokens en RL para LLM
CPPO mejora el razonamiento de LLM al reemplazar la confianza uniforme por divergencia de prefijo acumulativa. Mayor estabilidad y precisión.
AuRA: internalizando audio en LLMs mediante LoRA
Descubre cómo AuRA internaliza la comprensión del audio en LLMs mediante LoRA, superando a sistemas en cascada con mayor eficiencia y precisión.
RoboNaldo: Tiro de fútbol humanoide preciso y potente con RL curricular
RoboNaldo logra tiros de fútbol humanoide precisos y potentes con RL curricular. Error reducido 48.6% y velocidad 2.96x.
RoboNaldo: Disparo Preciso y Estable en Fútbol Humanoide con RL Guiado por Movimiento
Descubre RoboNaldo, un novedoso marco de RL que logra disparos precisos y potentes en fútbol humanoide. Reduce el error un 48.6% y alcanza 13.10 m/s. ¡Lee más!
TRACE: Marco de asignación de presupuesto para RL agente eficiente
Descubre TRACE, un marco que optimiza la asignación de presupuesto de rollout en RL agente, mejorando el contraste de recompensas y la eficiencia en benchmarks.
TRACE: Marco de asignación de rollout para RL agente eficiente
Descubre cómo TRACE asigna presupuesto de rollout a nodos prometedores en RL agente multi-turno, mejorando contraste de recompensas y rendimiento.
Campos Asociativos Causales Paralelos: Memoria Dispersa para Contexto Largo
Descubre cómo PCAF revoluciona el modelado de lenguaje con memoria dispersa paralela, logrando mayor velocidad y eficiencia que transformers tradicionales. ¡Lee más!
Estimación de ventaja basada en representaciones: más que recompensa escalar
GraphAE usa representaciones ocultas del RM para estimar ventajas con grafos. Mejora el RLHF hasta +6.3 en Arena-Hard.
Estimación de ventaja consciente de representación en RLHF
Descubre cómo GraphAE aprovecha las representaciones ocultas del modelo de recompensa para una estimación de ventajas más precisa en RLHF, mejorando rendimiento hasta +8.27 en AlpacaEval.
Pronóstico grupal Dirichlet para evitar suavizado excesivo en series temporales
El método DGF elimina el suavizado excesivo en pronósticos de series temporales, preservando cambios bruscos y modos dinámicos. Mejora precisión y consistencia.
Pronóstico grupal Dirichlet reduce suavizado excesivo en series temporales
Descubre cómo Dirichlet-Guided Group Forecasting reduce el sobre-suavizado en series temporales, mejorando precisión y diversidad en predicciones multimodales.