Aceleración de OCSVM mediante ensemble de SVMs de un dato
Descubre cómo acelerar el entrenamiento de OCSVM en grandes conjuntos de datos usando un ensemble de SVMs de un dato. Resultados rápidos y precisos. Código
#clase
Replay de generador se degrada: orquestación de ensayo proyectado en FCIL heterogéneo
PRO y PRO-MAX reemplazan el replay sintético por memorias proyectadas, mejorando la retención en aprendizaje federado incremental heterogéneo.
PVminerLLM2: Mejora de la Extracción Estructurada de la Voz del Paciente
PVminerLLM2: nueva técnica de optimización de preferencias para extraer la voz del paciente con mayor precisión.
ActiveSAM: poda condicional de clases para segmentación rápida
ActiveSAM acelera la segmentación de vocabulario abierto hasta 5.5x sin entrenamiento, superando a SegEarth-OV3 en precisión y robustez. Ideal para entornos
Evaluación de clasificadores binarios sin rebalanceo ante desbalance
Descubre el rendimiento de clasificadores binarios sin rebalanceo. Evaluamos su robustez ante desbalance extremo con datos reales y sintéticos.
SLUM-i: Aprendizaje semisupervisado para mapeo de asentamientos informales
SLUM-i: aprendizaje semisupervisado para mapeo de asentamientos informales con mejora en calidad de datos. Logra +5.9 pp mIoU.
Project Valhalla de Java llega en vista previa a JDK 28
Project Valhalla llega a JDK 28 con clases de valor que eliminan la identidad de objetos, mejorando rendimiento y evitando confusiones con equals y ==. Descubre cómo.
Aprendizaje Equivariante con Descomposición Clase-Pose
Descubre cómo descomponer el espacio latente en factores invariantes y de simetría para lograr representaciones equivariantes, interpretables y desenredadas. Aplica a datos con simetrías.
Clasificación por particiones óptima desde datos observables y privados
Descubre cómo lograr tasas de convergencia óptimas en clasificación por particiones con datos observables y privatizados, sin suposiciones restrictivas.
Migración determinista de actores en XState: modelo formal
Migración determinista de actores XState sin replay. Modelo formal con pruebas que evita ciclos. Acceso anticipado a StateKeep.
Identificación de dispositivos IoT mediante LSTM
Identifica dispositivos IoT con un 79.85% de precisión usando redes LSTM sobre tráfico de red. Mejora la ciberseguridad.
CoVar: selección de pseudoetiquetas guiada por confianza y varianza
Descubre CoVar, un método que combina confianza y varianza para seleccionar pseudoetiquetas fiables en aprendizaje semisupervisado, mejorando precisión en segmentación y clasificación.
Identificación puntual de predictor robusto bajo cambio latente
El framework PQAL identifica un predictor robusto bajo cambio latente con proxies imperfectas. ¡Descubre cómo optimiza la adaptación de dominio!
TaskFusion: Detección Continua de Anomalías para Datos Tabulares Heterogéneos
Descubre TaskFusion, innovador método de detección continua de anomalías en datos tabulares heterogéneos. Supera deriva de distribución y olvido catastrófico.
Estimación de densidad Hellinger con distancia mínima: mezclas gaussianas y más
Descubre cómo el estimador de distancia mínima con Hellinger logra estimar densidades en tiempo casi lineal para mezclas gaussianas y log-cóncavas. ¡Lee más!
Mitigando impacto desigual en privacidad diferencial con recorte acotado
El recorte adaptativo acotado reduce el sesgo en privacidad diferencial, mejorando hasta un 10% la precisión en clases minoritarias. Descubre cómo lograrlo.
IA para instructores de yoga: automatiza secuencias y prevención de lesiones
Descubre cómo la IA automatiza la planificación de secuencias de yoga y notas de prevención de lesiones. Ahorra tiempo y mejora la seguridad de tus estudiantes.
NuWa: Vision Transformers ligeros y específicos para edge
Descubre NuWa, el método que crea Vision Transformers ligeros para edge con mayor precisión específica por clase y sin reentrenamiento.
MedFeat: ingeniería de características con LLMs para predicción clínica
Descubre cómo MedFeat usa LLMs para ingeniería de características consciente del modelo, mejorando predicciones clínicas en más de un 10%.
Análisis multinivel del desbalance para no-IID en aprendizaje federado
Descubre cómo FedBB resuelve el desbalance triple en aprendizaje federado con una función de pérdida balanceada y reponderación de clientes, mejorando la precisión y privacidad.