Detail++: Mejorador de Detalles sin Entrenamiento para Difusión
Detail++ mejora la generación de imágenes con prompts complejos mediante inyección progresiva de detalles sin entrenamiento. Logra mayor precisión de atributos
#atributos
GraphMNL: Aprendizaje Negativo en Grafos Multimodales
GraphMNL logra 72.47% de precisión. Descubre cómo el aprendizaje negativo equilibra ramas semánticas en grafos multimodales.
SMGFM: Preentrenamiento Espectral de Grafos Multimodales Atribuidos
Descubre cómo SMGFM separa semánticas estructurales y modales en grafos multimodales usando frecuencias espectrales. Mejora tareas de grafo y modalidad.
FineGen: Marco multiagente basado en VLM para datasets detallados
Descubre FineGen, un marco multiagente basado en VLM que construye datasets de imagen-texto con muestras negativas duras, logrando un 96.7% de validez y +14.4%
Preentrenados y congelados: fuga de atributos en modelos EEG
Descubre cómo los modelos EEG preentrenados filtran atributos incluso con defensas como DP-SGD. Auditoría cross-encoder revela fugas persistentes. ¡Lee el
Inferencia de atributos desde anuncios dirigidos interactivos
Los anuncios dirigidos interactivos pueden revelar atributos de usuarios. Estudio analiza ataques de inferencia y defensas.
UrbanWell: Evaluación de Modelos Multimodales para Bienestar Urbano
UrbanWell: benchmark para evaluar modelos multimodales en análisis de bienestar urbano espacio-temporal. Descubre sus resultados y rendimiento.
Mitigando la distorsión en atención de LLMs para razonamiento en grafos
Descubre cómo la distorsión estructural en atención de LLMs perjudica el razonamiento en grafos y cómo GaLA lo corrige. Mejora sin sobrecarga.
Tarificación de seguros sin discriminación con atributos anonimizados
Descubre cómo calcular primas de seguros justas sin acceder a datos sensibles originales, usando técnicas de privacidad y modelos actuariales.
Prompting guiado por dominio de SAM para interpretación sísmica
Segmentación sísmica zero-shot con SAM: guía sobre atributos, colormaps y prompts híbridos para resultados competitivos sin reentrenar.
SAGA: Más allá de distancias escalares con gradientes semánticos en embeddings visuales
Descubre SAGA, un framework que usa MLLM congelados para entrenar codificadores visuales con supervisión de atributos, mejorando el recall en hasta 6 puntos en
Sincronización bidireccional Pimcore 12 y Magento 2
Sincroniza tu catálogo entre Pimcore 12 y Magento 2 de forma bidireccional y automática. Procesos en segundo plano sin bloqueos. Prueba el conector.
Co-alineación consciente del contexto para grafos multimodales atribuidos
CoMAG unifica grafos multimodales aprendiendo contextos adaptativos y alineando modalidades sin comprimir información. Logra estado del arte en predicción, matching y generación.
Pix2Pix-Híbrido: síntesis guiada de multitudes del Hajj
Descubre Pix2Pix-Híbrido, un modelo GAN que genera imágenes realistas de multitudes del Hajj para mejorar el conteo de personas y la aumentación de datos.
Clustering de grafos para resolución de entidades: por qué Union-Find falla a escala web
Aprende por qué Union-Find falla en resolución de entidades a gran escala y cómo usar clustering ponderado con restricciones y abstenciones.
Modelo de cribado con equilibrio acotado en decisiones multi-atributo
Descubre un modelo computacional que explica cómo las personas descartan opciones con mal rendimiento en atributos críticos, mediante un equilibrio acotado.
Privacidad Robusta: Privacidad en Inferencia con Robustez Certificada
Robust Privacy (RP) protege tus datos en inferencia con robustez certificada, reduciendo la inversión de modelos del 73% al 4% con alta precisión. Descubre.
Aprendiendo de casi nada: redes neuronales frente a corrupción masiva
Aunque los datos estén corruptos en más del 90%, las redes neuronales siguen acertando. Descubre cómo aplican una regla de centroide de clase para lograrlo.
Más allá del Golden Teacher: co-enseñanza LLM-GNN
Descubre cómo la co-enseñanza bidireccional entre LLM y GNN supera las limitaciones del aprendizaje con pocos ejemplos en grafos, mejorando la precisión un 7.86%.
Creencias Superficiales en la Toma de Decisiones de los LLM
Descubre cómo los LLM muestran un comportamiento sistemático pero no pueden explicar sus propias decisiones. La superficialidad de sus creencias.