Minería de trayectorias para automatizar SKILL.md en agentes informáticos
Minería de trayectorias de interacción genera bibliotecas de habilidades legibles para agentes informáticos, aunque no mejora significativamente las políticas
#cluster
Una perspectiva unificada sobre la dinámica de Transformers profundos
Descubre cómo la dinámica de atención en Transformers profundos se modela con ecuaciones Vlasov, revelando clustering y evolución de tokens.
EQPO: Optimización Relativa de Políticas para Equidad Clínica
EQPO reduce la variabilidad en precisión entre grupos demográficos en diagnóstico clínico, incluso sin etiquetas demográficas, mediante aprendizaje equitativo.
Percolación crítica como modelo de datos sintéticos para interpretabilidad
Descubre cómo la percolación crítica genera datos sintéticos jerárquicos y fractales para evaluar la interpretabilidad de redes neuronales. Modelo analítico y
Consenso Monte Carlo Variacional para Mezclas Bayesianas
Descubre cómo aplicar el Consenso Monte Carlo Variacional en modelos de mezcla bayesianos para aprendizaje federado con datos de salud. Optimiza privacidad y
ProfiLLM: Perfiles de Usuario Alineados con Utilidad para Despacho Industrial
Descubre ProfiLLM: perfiles de usuario con IA optimizan el despacho de viajes, logrando +6.14% en AUC y +4.35% en GMV.
Marco CEFR y Fuzzy C-Means para evaluar Scratch
Marco CEFR y Fuzzy C-Means automatiza evaluación Scratch, detecta cuello de botella B2 y guía rutas de aprendizaje.
Clustering semi-supervisado guiado por semillas y detección a-contrario
Descubre cómo el algoritmo Perception permite clustering robusto con solo 10-30 semillas por clúster, sin ajuste de parámetros. Basado en detección de
Poda de Cabezas de Atención Complementaria en Transformadores
Descubre CAHP: poda de cabezas de atención basada en teoría de grafos que reduce parámetros sin ajuste manual, mejorando la eficiencia de los transformers.
SCAN: Detección de Anomalías en Series Temporales con Clustering Multiescala
Descubre SCAN, un método avanzado que combina clustering multiescala para detectar anomalías en series temporales, superando limitaciones de modelos basados en
Paisajes de instancias de grafos: similitud estructural vs rendimiento
Descubre cómo la similitud estructural en grafos no siempre predice el rendimiento de algoritmos de caminos más cortos. Un estudio con Dijkstra, A* y más.
Paisajes de instancias de grafos: similitud estructural no garantiza rendimiento
¿La similitud estructural de los grafos garantiza el rendimiento de Dijkstra, A* y otros? Este análisis de paisajes de instancias revela sorpresas.
FOSC-X: Marco extendido para cortes locales óptimos y clústeres no horizontales
FOSC-X extrae las mejores M soluciones de clustering globalmente óptimas desde jerarquías, incluso con límite de clústeres. Alternativas de alta calidad.
scGTN: Red Transformer de Grafos para Clustering de scRNA-seq
scGTN: nueva red siamesa transformer de grafos para clustering de scRNA-seq. Integra expresión génica y dependencias estructurales superando a métodos
Clustering y Pruning para Fusión de Datos Causales
Descubre cómo el clustering y el pruning reducen la complejidad en la fusión de datos causales, facilitando la identificación de efectos incluso con variables
Aprende a cuantificar interacciones sociales de peatones
Descubre cómo un nuevo método de clustering sin etiquetas cuantifica las interacciones sociales entre peatones, mejorando la predicción de trayectorias para
MGIL: Aprendizaje Inductivo de Grafos de Modelo para Completar KG
Descubre MGIL: aprendizaje inductivo global para completar grafos de conocimiento con predicción de enlaces de vanguardia.
Aprendizaje no supervisado para modalidades faltantes en aprendizaje multimodal
Descubre cómo UL4M4 imputa modalidades faltantes en aprendizaje multimodal usando clustering no supervisado, logrando F1 >0.7 incluso con más del 50% de datos
Aprendizaje no supervisado para modalidades faltantes en aprendizaje multimodal
Descubre cómo UL4M4 imputa embeddings faltantes en aprendizaje multimodal mediante clustering no supervisado, logrando F1 >0.7 incluso con >50% de datos
Selección de datos con estructura de bajo rango en aprendizaje activo
Descubre cómo la selección de datos basada en bajo rango supera al clustering tradicional. Nuevo método con garantías teóricas y mejor rendimiento en datasets