Aprendizaje por Refuerzo con Conciencia Geométrica para Anidamiento Irregular 2D
Descubre cómo el aprendizaje por refuerzo con el Transformer de Polígonos supera a los solvers heurísticos en anidamiento irregular 2D, alcanzando una utilizaci
#aprendizaje
PhysMetrics.Weather: Evaluación de consistencia física en ML meteorológico
Descubre PhysMetrics.Weather, el marco que evalúa la consistencia física de modelos meteorológicos de IA más allá del RMSE. Mejora la fiabilidad operativa.
Aprendizaje por refuerzo con conciencia geométrica para anidamiento 2D
Descubre cómo un nuevo enfoque de aprendizaje por refuerzo con atención geométrica supera a los solucionadores heurísticos tradicionales en el anidamiento irregular 2D.
¿Cómo fluye el razonamiento? Rastreo del flujo de información para RL en LLMs
Descubre cómo FlowTracer rastrea el flujo de razonamiento en modelos de lenguaje para asignar crédito preciso a los tokens clave y mejorar el aprendizaje por refuerzo.
Predicción de series temporales con aprendizaje multi-escala de residuos
Nuevo pipeline de dos etapas corrige residuos en predicción de series temporales. Mejora la precisión con aprendizaje multi-escala. ¡Resultados de vanguardia!
FlowTracer: rastreo del flujo de razonamiento en LLMs
FlowTracer asigna crédito a tokens clave en LLMs trazando el flujo de razonamiento inducido por atención, mejorando el aprendizaje por refuerzo en tareas de razonamiento complejo.
Predicción series temporales con aprendizaje de residuos multiescala
Aprende cómo un pipeline de dos etapas con aprendizaje de residuos mejora la predicción de series temporales, reduciendo sesgos. ¡Resultados de vanguardia!
PL-KKT-hPINN: Restricciones no lineales en redes neuronales con proyección lineal por partes
PL-KKT-hPINN impone restricciones no lineales estrictas en redes neuronales. Mejora precisión y robustez en simulaciones reactor químico con datos. Supera PINN.
PL-KKT-hPINN: Proyección lineal para restricciones no lineales en redes neuronales
PL-KKT-hPINN impone restricciones no lineales en redes neuronales con alta precisión y baja violación. Ideal para modelado de reactores.
De la observación a la intervención: Auditoría causal en modelos MoE
Un estudio revela que las métricas observacionales no predicen la importancia causal de los expertos en modelos MoE. El éxito del pruning se debe a la redundancia temprana. Descubre los hallazgos.
De la observación a la intervención: auditoría causal de expertos en MoE
Auditoría causal revela: las métricas observacionales no predicen importancia de expertos en MoE. La poda funciona por redundancia temprana.
SPACR: Entrenamiento adaptativo de un solo paso para regresores conformales
SPACR: entrena regresores conformales en un solo paso, obteniendo intervalos más estrechos y mejor equilibrio cobertura-eficiencia con menor costo.
N-GRPO: Mezcla de Vecinos a Nivel de Embedding para Optimización de Políticas
Descubre N-GRPO, una nueva estrategia de exploración que mejora el razonamiento matemático de LLMs mediante la mezcla inteligente de embeddings semánticos. Resultados consistentes en benchmarks.
SPACR: Entrenamiento Adaptativo de Regresores Conformes
Descubre SPACR, un método innovador que entrena regresores conformes en un solo paso, logrando intervalos más precisos y reduciendo costos computacionales. Ideal para IA.
Aprendizaje federado descentralizado: ponderación inversa y agregación AoI
DFL-AA corrige sesgo y obsolescencia en aprendizaje federado descentralizado usando ponderación inversa y edad de información. Mejora precisión en redes.
Ponderación Inversa y Edad de la Información para DFL con Recepción Parcial
DFL-AA combina ponderación inversa y edad de la información para eliminar sesgo y obsolescencia en aprendizaje federado descentralizado con redes inalámbricas.
Calibración epistémica en clasificación de segundo orden
¿Son fiables las incertidumbres de los modelos? La calibración epistémica revela fallos que la calibración clásica ignora. Aprende sobre el nuevo error EECE.
¿Podemos confiar en nuestros modelos? Calibración epistémica
¿Confías en la incertidumbre de tu IA? La calibración epistémica revela si es fiable. Descubre el nuevo error EECE para clasificación de segundo orden.
Brecha modal en HAR ZSL: entrenamiento contrastivo y prototipos optimizados
Alinea sensores IMU y texto con entrenamiento contrastivo y prototipos optimizados para lograr 73% de precisión en HAR zero-shot.
Entrenamiento contrastivo y prototipos para cerrar brecha modal HAR zero-shot
El entrenamiento contrastivo y prototipos optimizados cierran la brecha modal en HAR zero-shot, logrando 73.2% de precisión en clases no vistas.