Reward-SQL: Mejora Text-to-SQL con razonamiento paso a paso y recompensas
Descubre cómo Reward-SQL combina razonamiento paso a paso y recompensas de proceso para mejorar la precisión de Text-to-SQL en consultas complejas.
#aprendizaje
Emulación climática con difusión: ¿qué aporta el ML generativo?
Los modelos de difusión generativa ofrecen emulación de precipitaciones extremas en RCM. ¿Cuál es su valor añadido? Comparativa detallada.
Estimación Directa del Puntaje de Fisher para Máxima Verosimilitud
Descubre cómo la estimación directa del Fisher score optimiza la verosimilitud usando simulaciones locales. Método rápido, flexible y eficiente para modelos intratables.
PCR-CA: Representaciones paralelas y alineación contrastiva para apps
Descubre cómo PCR-CA mejora el CTR un 10.52% con codebooks paralelos y alineación contrastiva para apps multicategoría en Microsoft Store.
Chiralidad y correspondencia estructural: Beethoven y ML
¿Sabías que la Sonata Claro de Luna de Beethoven esconde arquitecturas de machine learning? Descubre la chiralidad y correspondencias estructurales.
EquiDexFlow: Flujo generativo de agarre diestro con equivarianza SE(3)
Descubre EquiDexFlow, un modelo que predice fuerzas de agarre y poses con equivarianza SE(3), logrando agarres estables y sin violaciones de fricción en robots.
Verificadores buenos que fallan: VLM auto-mejorables retroceden en nuevas tareas
Aprende cómo verificadores de calidad superior pueden causar regresiones inesperadas en modelos VLM auto-mejorables, y cómo evitarlo.
Optimización Directa de Preferencias para Chatbots: Estudio Empírico
Descubre cómo DPO simplifica el entrenamiento de chatbots, mejora eficiencia y resultados competitivos. Estudio empírico con métricas BLEU, ROUGE y coseno.
De modelos auto-supervisados a Mezcla de Expertos para anti-spoofing robusto
Mejora la detección de spoofing con Mixture-of-Experts. Reduce el error en un 11.9% frente a métodos desconocidos.
Modelos de Markov con controladores para inferencia secuencial con restricciones
Descubre cómo los CHMMs permiten inferir secuencias con restricciones complejas en genómica, actividad humana y más. Exactitud garantizada.
CottonLeafVision: aprendizaje profundo para detectar enfermedades en algodón
Descubre cómo CottonLeafVision logra un 98% de precisión en clasificación de enfermedades del algodón con explicabilidad y robustez.
La cobertura local rige la memorización en modelos de difusión
Descubre cómo la cobertura local de datos predice la memorización en modelos de difusión, explicando cuándo generan muestras novedosas o replican.
Preferencias Coordinadas en Aprendizaje por Refuerzo Multiagente Multiobjetivo
Descubre cómo el algoritmo PCMA coordina preferencias entre agentes para optimizar múltiples objetivos en entornos cooperativos, mejorando rendimiento y trade-offs.
Aprendizaje de políticas óptimas con RL: comparación de Deep y MDP en logs de eventos
Optimiza KPIs con Reinforcement Learning desde logs de eventos. Comparamos Deep RL y MDP para políticas óptimas.
Complejidad temporal y autoorganización en memoria asociativa densa exponencial
Estudio revela cómo la memoria asociativa densa exponencial se autoorganiza mediante complejidad temporal, criticalidad extendida y avalanchas neurales.
ANSR-DT: Marco neuro-simbólico para gemelos digitales adaptativos y explicables
Conoce ANSR-DT, el marco neuro-simbólico que hace los gemelos digitales más transparentes y adaptativos. Mejora la eficiencia industrial.
FlexMS: Benchmark público unificado de predicción de espectros de masas
FlexMS: benchmark público para predicción de espectros de masas en tándem. Evaluación justa, reproducible y diagnósticos de dificultad. Para metabolómica e IA.
Adaptadores de profundidad para codificadores RGB con preprocesamiento sinusoidal
Descubre cómo los adaptadores de profundidad con preprocesamiento sinusoidal mejoran la precisión en tareas RGBD, alcanzando 56.05 mIoU en SUN-RGBD. Sin necesidad de ajuste fino.
Razonamiento Fracturado de Cadena de Pensamiento
Descubre cómo Fractured Sampling mejora la eficiencia del razonamiento en LLMs al reducir tokens sin perder precisión. Ahorra costos y acelera respuestas.
MASLab: Código base unificado para sistemas multiagente con LLM
Descubre MASLab, el código base unificado que integra más de 20 métodos en sistemas multiagente con LLM. Benchmarks justos y fácil extensión para investigadores.