Descubriendo brechas de competencia en LLMs y sus benchmarks
Un método innovador con autoencoders revela brechas ocultas en LLMs y benchmarks. Mejora la evaluación de modelos de IA identificando conceptos débiles.
#coder
ELF: Familia de modelos ECG-Lenguaje sin codificador
Descubre ELF, una familia de modelos ECG-Lenguaje sin codificador que supera a modelos complejos con arquitecturas más simples. ¡Resultados impresionantes!
Paralelismo con cohesión: partición de tareas para codificación multiagente
Aprende cómo la partición cohesiva de tareas mejora el rendimiento en codificación multiagente: +14% aciertos, 2.1x velocidad, -35% costos.
Enriquecimiento de datos para regresión simbólica con modelos de difusión
El enriquecimiento de datos con modelos de difusión guiados por física mejora el descubrimiento de ecuaciones en datos dispersos, sin experiencia experta.
CANARY: Detección de contaminación oculta en modelos de lenguaje
Descubre CANARY, el primer método que detecta contaminación oculta en modelos de lenguaje con solo dos pases, incluso al 1% de envenenamiento. Protege tu IA.
Detección de arritmias con TinyML y autoencoder en sistemas embebidos
Descubre cómo un modelo TinyML basado en autoencoder detecta arritmias en tiempo real en microcontroladores, con alta precisión y bajo consumo.
Autoencoders conscientes del producto para monitoreo robusto de procesos en CPS
Autoencoders conscientes del producto detectan anomalías en entornos multiproducto con 100% de precisión, eliminando puntos ciegos de seguridad.
Conflictos de optimización entre reidentificación por imagen y texto
Descubre cómo resolver conflictos de optimización entre ReID por imagen y texto. Un entrenamiento desacoplado mejora representaciones compartidas.
Latent Reward Steering: Marco Adaptativo para Comportamientos Cognitivos en LLMs
Descubre cómo Latent Reward Steering optimiza el razonamiento de LLMs al promover comportamientos cognitivos implícitos.
Regresión Imbalanceada Híbrida con Equilibrio de Datos y Algoritmo
Descubre cómo un marco híbrido unifica equilibrio de datos y algoritmo para mejorar la predicción en regresión con clases desbalanceadas. Resultados superiores en benchmarks.
Echo: Diarización y reconocimiento de voz en espacio latente compartido
Echo: un sistema de audio con un encoder ViT que unifica diarización, ASR y separación de fuentes en un espacio latente. Eficiente y preciso.
Vinculación de Vectores entre Modelos con Consistencia Isométrica Local
Recupera correspondencias entre nubes de embeddings de distintos modelos usando consistencia geométrica local y hash referencial. Ideal para integración de bases de datos vectoriales.
Hacia los átomos de los grandes modelos de lenguaje
Descubre cómo la Teoría del Átomo define las unidades fundamentales de los LLM, logrando un 99.9% de fidelidad y 99.8% de estabilidad.
Aprendizaje de dinámicas macroscópicas invariantes a permutaciones
Descubre cómo modelar sistemas de partículas sin orden fijo con autoencoders invariantes a permutaciones. Aprende dinámicas macroscópicas para fluidos y polímeros.
Predicción de vida útil restante bifurcada: enfoque híbrido
Descubre cómo un enfoque híbrido bifurcado predice la vida útil de motores turbofán, caracterizando incertidumbres realistas para mantenimiento inteligente.
Hacia Autoencoders Dispersos Identificables
Los nuevos autoencoders dispersos identificables (iSAE) mejoran la estabilidad y precisión en la interpretación de redes neuronales. Aprende más.
Relación entre activaciones atípicas y muerte de características en SAE
Descubre cómo los valores atípicos en las activaciones neuronales provocan la muerte de características en autoencoders dispersos y cómo solucionarlo con centrado de media.
Recordar reconstruyendo: aprendizaje incremental de dominio y test-time training
Aprende cómo recordar dominios olvidados en aprendizaje incremental usando test-time training con autoencoder enmascarado y LoRA. Ideal para video.
SAEmnesia: eliminación precisa de conceptos en modelos de difusión
Descubre SAEmnesia, un marco que elimina conceptos en modelos de difusión con precisión y eficiencia, reduciendo la búsqueda de hiperparámetros en un 96.67%.
Algoritmos de trigger basados en deep learning para Hyper-Kamiokande
Algoritmos deep learning para triggers en Hyper-Kamiokande logran 76.7% eficiencia en detección de neutrinos de baja energía, superando métodos clásicos.