dLLM-Cache: Caché Adaptativa para Modelos de Lenguaje con Difusión
dLLM-Cache acelera hasta 9x modelos de difusión con caché adaptativa, sin entrenamiento y con latencia cercana a modelos autoregresivos.
#características
Autointerpretación: adaptadores ligeros entrenados en pares vector-etiqueta
Cómo adaptadores ligeros entrenados en pares vector-etiqueta logran autointerpretación que supera etiquetas y revela razonamiento implícito.
Reducir correlaciones espurias con de-sesgo guiado por memorización
Reduce correlaciones espurias con un método de dos etapas basado en memorización. Solo 10% de datos, un modelo ERM supera a técnicas de debiasing ¡Descúbrelo!
Redes neuronales: aprendizaje demostrable de representaciones espectrales de grupos
Descubre cómo las redes neuronales aprenden representaciones espectrales de grupos, convergencia demostrable a irreducibles y compresión de bajo rango.
¿Qué aprenden los estudiantes? Análisis del conocimiento oscuro
Descubre cómo la Destilación de Confusión (CD) mejora el aprendizaje de modelos sin profesor, superando a otros métodos en CIFAR-100.
¿Qué aprenden los estudiantes? Análisis de características en KD
Analizamos el aprendizaje de características en destilación de conocimiento y presentamos Confusion Distillation, una auto-destilación eficiente que supera a otros métodos en 1.2%.
Que la luz sea: Reflexión, Refracción y Dispersión para Operadores Neurales
Descubre LiNO, operador neural inspirado en luz que separa modulación local y comunicación global con eficiencia cuadrática a lineal. Ideal para PDEs paramétricas.
Impacto de granularidad temporal en inferencia sociodemográfica de perfiles de carga
Descubre cómo la granularidad temporal afecta la inferencia sociodemográfica y el equilibrio privacidad-utilidad en medidores inteligentes. Estudio con 1589 hogares.
Impacto de la granularidad temporal en la inferencia sociodemográfica
Estudio revela que la resolución temporal de los perfiles de carga influye en la inferencia de datos personales del hogar, con mesetas de rendimiento y métodos óptimos.
Reveal-IG: Atribución por caminos distribucionales
Reveal-IG: atribución basada en caminos distribucionales. Atribuciones estables con signo sin artefactos. Ideal para explicabilidad en IA.
Trans GAN-WT: detección anómala con extracción de características y aprendizaje interactivo
El modelo TransGAN-WT combina Transformer y GAN para detectar anomalías en turbinas eólicas con F1 del 96.1% y FPR del 0.06%. Optimiza el mantenimiento predictivo.
QUIVER: Vistas Cuánticas para Representaciones en Grandes Modelos ML
QUIVER incorpora vistas cuántico-informadas para mejorar representaciones en grandes modelos de ML, ofreciendo mejoras medibles en QM9 y JetClass.
Capacidad Representacional: Límites Geométricos en Transformers
Descubre cómo la dimensión del modelo establece los límites geométricos para la representación de características en transformers, y cómo estimar la capacidad real de direcciones ortogonales.
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.
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