ProtoX-AD: Detección autoexplicable de anomalías temporales
ProtoX-AD ofrece detección de anomalías en series temporales con explicaciones basadas en prototipos. Descubre cómo mejora la interpretabilidad sin perder rendimiento.
#auto-supervisado
El arte de interrogar: consistencia y razonamiento espacial
Descubre cómo un nuevo enfoque de RL auto-supervisado mejora el razonamiento espacial en IA usando verificación de consistencia geométrica, sin datos etiquetados.
RePAIR: aprendizaje auto-supervisado predictivo en ajedrez
Descubre RePAIR: nuevo método auto-supervisado que crea representaciones semánticas de ajedrez sin refuerzo. Ideal para análisis de partidas.
RePAIR: Aprendizaje de Representaciones Auto-Supervisado Predictivo en Ajedrez
Descubre RePAIR: una innovadora arquitectura que codifica posiciones de ajedrez en representaciones compactas para analizar partidas sin refuerzo.
Contraste y sesgo inductivo: cómo separar ruido lento de dinámicas
Descubre cómo el aprendizaje contrastivo puede confundir ruido lento con la dinámica real, y cómo muestrear negativos dentro de la misma trayectoria mejora las representaciones.
GNSS-FM: Modelo fundacional auto-supervisado para desplazamiento GNSS
Descubre GNSS-FM, un modelo fundacional auto-supervisado que analiza series temporales de GNSS para predecir desplazamientos tectónicos y localizar terremotos. IA aplicada a geofísica.
GNSS-FM: modelo base auto-supervisado para series de desplazamiento GNSS
GNSS-FM: modelo auto-supervisado con 17.000 estaciones. Supera a métodos supervisados en predicción y detección de saltos sísmicos. ¡Descúbrelo!
Separando señal y artefactos en datos multisensor para astrofísica
Descubre cómo un nuevo framework de deep learning separa la señal real de artefactos instrumentales en datos multisensor, mejorando inferencia en astrofísica.
RACT: Aprendizaje aumentado por recuperación para emparejamiento de esquemas
Descubre cómo RACT utiliza contexto referencial para mejorar el emparejamiento de esquemas multi-tabla, superando métodos basados en similitud con ganancias de hasta +70% en precisión y completitud.
Hypnos: representaciones del sueño con predicción del siguiente token
Hypnos: modelo fundacional multimodal que predice el siguiente token en señales fisiológicas, supera modelos existentes y requiere 100x menos datos etiquetados.
Correlación geométrica de segundo orden para reconocer emociones en habla
Reconocimiento de emociones en habla con correlación geométrica de segundo orden. Aprendizaje auto-supervisado preserva geometría de características.
Vocoders multilingües y multilocutor: análisis de unidades discretas
El tamaño del cluster y el condicionamiento del hablante son clave para evitar mezcla de hablantes en vocoders multilingües. Descubre cómo.
CF-JEPA: Predicción hacia adelante sin máscara para series temporales
CF-JEPA: método sin máscara que reduce un 27% el error de pronóstico. Supera a otros en clasificación y detección de anomalías.
Descomposición Proxy de Benders: Acelerando la Optimización
Descubre la Descomposición Proxy de Benders: acelera optimización a gran escala con gaps <0.5% y hasta 161x más rápido, reduciendo cortes en 240x. ¡Lee más!
DaX: Representaciones de patología general a través de escalas
DaX logra el mejor rendimiento en 161 tareas de patología digital. Aprende representaciones generales a través de escalas. ¡Descubre más!
Cerrando el bucle del razonamiento latente con reconstrucción en tiempo de prueba
Descubre cómo ReLAT cierra el bucle del razonamiento latente usando reconstrucción en tiempo de prueba, mejorando precisión en matemáticas un 73.3% en AIME 2024
Predecir y Reconstruir: Objetivos Conjuntos para Representaciones de Lenguaje
Descubre cómo la combinación de JEPA y MLM mejora representaciones de lenguaje: embeddings más uniformes y semánticos. Un nuevo enfoque híbrido para NLP.
Equilibrio entre compresión y generación de imágenes con tokenización bootstrap
SelfBootTok equilibra compresión y generación de imágenes con solo 64 tokens, logrando un gFID de 1.56 y reduciendo el cómputo un 40%.
La pérdida no basta: condiciones de muestreo y sesgo inductivo
La pérdida no basta en aprendizaje contrastivo. Condiciones de muestreo y sesgo inductivo determinan la recuperación de representaciones latentes.
RePercENT: Escalando desenredo de representaciones multi-modal
Descubre RePercENT, un marco auto-supervisado que escala el desenredo de representaciones a múltiples modalidades sin pre-entrenamiento, reduciendo costos computacionales.