Escalando aprendizaje de grafos de alto orden con complejos de cliques maximales
Descubre cómo los complejos de cliques maximales escalan el aprendizaje de grafos de alto orden con mayor eficiencia y sin perder expresividad.
#ax
Modelos de lenguaje aprenden semántica de construcciones raras
Descubre cómo los modelos de lenguaje de código abierto aprenden la semántica de construcciones raras como 'let alone' y 'much less', y su relación con el conocimiento del mundo.
Descomposición de tipos de fraude y límites de detección por clase
Descubre por qué tratar el fraude como homogéneo es un error. Taxonomía de 5 clases de fraudes con límites de detección específicos en pagos.
Aprendizaje por refuerzo multiobjetivo con restricciones y criterio max-min
Descubre cómo el nuevo marco MORL con criterio max-min logra equidad y cumple restricciones en control térmico, locomoción y tráfico. ¡Optimiza decisiones multiobjetivo!
Geometría de la información de Softmax: Sondas y dirección
Explora la geometría informacional en softmax para entender la codificación semántica en IA. Dirección dual: controla conceptos con precisión.
Búsqueda geoespacial: más allá del SIG tradicional
El 18% de las búsquedas web son geoespaciales. Nuevo estudio revela que la mayoría escapa a los SIG tradicionales. Conoce la taxonomía de 88 categorías.
Alineación federada de preferencias con prior Gumbel-Softmax
Descubre FedVPA-GP: un nuevo marco de aprendizaje federado que personaliza modelos de lenguaje alineando preferencias de usuarios sin exponer datos, superando e
Softmax Recocido Greedy en Bandidos Bayesianos de Muchos Brazos
Softmax Recocido logra arrepentimiento casi óptimo en bandidos Bayesianos, explicando por qué GRPO funciona sin incertidumbre explícita.
KnowledgeGain: Evaluando noticias científicas para el aprendizaje
Descubre cómo KnowledgeGain evalúa y optimiza la generación de noticias científicas para maximizar el aprendizaje del lector usando IA.
Autoencoders Dispersos superan líneas base en control de LLMs
Los Autoencoders Dispersos (SAEs) superan líneas base simples en el control de LLMs, igualando a LoRA en AxBench. Características seleccionadas con pipeline sup
Parallax: Atención Local Lineal que Mantiene Softmax y Corrige
Parallax: atención local lineal que mantiene softmax y añade corrección de covarianza. Duplica eficiencia en GPUs para LLMs.
¿Dónde añade más valor la automatización del soporte al cliente con IA?
Descubre en qué áreas la automatización del soporte al cliente con IA genera mayor valor y optimiza tu servicio.