Fusión de trayectoria de mano para consultas NLQ egocéntricas
Mejora la precisión del grounding en videos egocéntricos con fusión de trayectorias de mano. Resultados en Ego4D: +4.32% en consultas de cantidad/estado.
#características
Cuantización y características interpretables: análisis con autoencoders dispersos
La cuantización no destruye todas las características interpretables: un análisis revela que el 62% persiste en INT6, pero las métricas engañan.
Características de una app personalizada para reemplazar hojas de cálculo
Conoce las funcionalidades de una app: escalabilidad, integración, automatización y seguridad. Reemplaza hojas de cálculo con Q2BSTUDIO.
Aprendizaje espectral consciente del resultado para regresión IV
Descubre cómo el aprendizaje espectral consciente del resultado mejora la regresión IV incluso con desalineación espectral.
Explicando neuronas activadas por ausencias
Descubre cómo la IA explicable revela neuronas activadas por la ausencia de conceptos y mejora la eliminación de sesgos en modelos profundos.
Clasificación bayesiana con proceso Gaussiano Split-and-merge para BCI
Descubre cómo el nuevo modelo bayesiano P-SMGP mejora la clasificación de señales EEG en BCI, reduciendo costos computacionales y ofreciendo interpretabilidad.
Regularización implícita para selección de características multi-etiqueta
Descubre cómo la regularización implícita mejora la selección de características en problemas multi-etiqueta, reduciendo sesgo y permitiendo un sobreajuste beni
Aprendizaje para medir: Adquisición activa de características en contexto
Descubre L2M: un método de meta-aprendizaje para adquirir características en contexto, mejorando modelos con datos escasos.
Marco ligero híbrido basado en MLP para detectar URLs de phishing en tiempo real
Descubre cómo un marco híbrido ligero basado en MLP detecta URLs de phishing en tiempo real con un 99% de precisión y latencia de solo 1.2 ms.
Alineación de características determina estrategia de fusión multimodal
La alineación de características, no el tamaño de datos, determina la fusión: cross-attention vs concatenación. Estudio con CLIP y ResNet.
ShaplEIG: Diseño Experimental Bayesiano para Estimar el Valor Shapley
Mejora la precisión al estimar valores Shapley con pocas evaluaciones. ShaplEIG usa diseño bayesiano para selección adaptativa de coaliciones. Ideal para costos.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
Método corrige localización de circuitos con retropropagación consciente
Aprende cómo GIM, un nuevo método de retropropagación, mejora la localización de circuitos en modelos de lenguaje al tener en cuenta interacciones.
Evaluación sistemática de características tiempo-frecuencia para SSL binaural
Descubre cómo la selección de características tiempo-frecuencia optimiza la localización binaural. Estudio con CNN revela combinaciones clave.
Valores Shapley e interacciones con redes de tensores
Descubre TN-SHAP, un método que acelera valores Shapley e interacciones usando redes de tensores, reduciendo la complejidad exponencial a polinomial.
Autoencoder Disperso a Nivel de Paso para Interpretar Razonamiento
Descubre cómo el autoencoder disperso a nivel de paso (SSAE) desentraña el razonamiento de los LLMs, revelando información sobre corrección y lógica. Ideal para interpretabilidad en IA.
Inferencia cero-shot certificada con geometría latente compartida
Nueva arquitectura de dos vías logra inferencia cero-shot certificada en sistemas eléctricos. Supera al método Newton-Raphson con precisión y velocidad.
Conciencia Parcial de Equidad en Aprendizaje Automático Estratégico
Descubre cómo la conciencia parcial de equidad resuelve el dilema entre transparencia y manipulación, mejorando la justicia en modelos de IA con un mecanismo guiado por creencias.
UME: Marco unificado de meta-generalización para ETA entre dominios
Descubre cómo UME revoluciona la predicción ETA multi-dominio con meta-aprendizaje, logrando zero-shot y superando cold-start y falta de datos.
LeAP: Permutación Adaptativa para Selección de Características
LeAP aprende a seleccionar características en sistemas de recomendación dispersos, reduciendo costos y eliminando redundancias sin perder rendimiento.