Composición LoRA multiconcepto sin entrenamiento con ponderación por prompt
Aprende a combinar LoRAs sin entrenamiento con ponderación por prompt para lograr composiciones de múltiples conceptos con alta fidelidad.
#composición
Espectro asintótico en pérdida de redes neuronales: descomposición del exponente de curvatura
Descubre cómo la curvatura de la pérdida en redes neuronales varía según la arquitectura. Una descomposición exacta revela la relación entre Hessiano y gradient
Refinamiento iterativo espectral-desacoplado para predicción de precipitaciones
Descubre SDIR: elimina desenfoque y alucinaciones en nowcasting con refinamiento espectral-desacoplado. Alta precisión y fidelidad.
Cuantificación de incertidumbre escalable en pronóstico de clima extremo con NTK
Mejora la predicción de clima extremo con NTK-UQ: intervalos 31-37% más precisos, adaptativos y sin reentrenamiento.
Información inducida por estructura para reenraizar búsqueda de Levin
Descubre cómo la información estructural permite reenraizar la búsqueda de árbol de Levin, logrando mayor escalabilidad y eficiencia en problemas complejos.
FlexRank: Descomposición Anidada de Bajo Rango para Despliegue Adaptativo
FlexRank extrae submodelos de capacidad variable de modelos sin reentrenar. Optimiza costos y rendimiento para despliegue adaptativo a todo presupuesto.
Composición Secuencial de Grupos: Una Ventana a la Mecánica del Deep Learning
Composición secuencial de grupos: una ventana a la mecánica del deep learning. Descubre cómo redes neuronales aprenden operaciones estructuradas.
El grupo de referencia invierte conclusiones en Oaxaca-Blinder
Descubre cómo la elección del grupo de referencia en la descomposición Oaxaca-Blinder puede revertir conclusiones clave. Aprende a evitar errores y mejorar tu análisis.
Colapso de caminos generativos: criterio y corrección para difusión
El colapso de caminos marginales afecta la composición de expertos en difusión. Conoce el criterio de existencia y la corrección ACE para estabilizar la generación.
Acelerando la inversión de ondas con redes híbridas cuántico-clásicas
Acelera la inversión de ondas con redes híbridas cuántico-clásicas: errores más bajos en 8x menos iteraciones y menos parámetros.
Uso de computación multi-agente
Descubre cómo los sistemas multi-agente mejoran el rendimiento en tareas complejas de navegación web y escritorio, superando a los agentes individuales en un 25%.
VMDNet: Predicción de demanda eléctrica sin fuga temporal
Mejora la precisión en predicción de demanda eléctrica con VMDNet, evitando fuga temporal mediante descomposición variacional y TCN.
Orquestación de herramientas de agentes: fuga de datos, benchmark y mitigación
Los agentes de IA con múltiples herramientas filtran datos sensibles en un 88.6% de los casos. Descubre el benchmark TOP-Bench y cómo mitigarlo con TOP-Align.
Genera texturas procedurales de dados de mármol con ruido simplex y warping
Descubre cómo generar texturas procedurales de dados de mármol usando ruido simplex y warping de dominio. Controla colores con el canal alfa. Perfecto para extensiones Chrome.
Geometría global no basta para visión artificial
Descubre por qué la geometría global no basta para la composición visual y cómo la sensibilidad funcional predice mejor la representación.
LASER: SVD consciente de pérdida y asignación de rango para modelos VL
Descubre cómo LASER logra una aceleración 2.3x en modelos visión-lenguaje con baja precisión, usando SVD consciente de pérdida y asignación de rango.
DAGGER: construcción sin gradientes de redes amplificadoras transitorias
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias preservando conectividad exacta. Hasta 100x más rápido.
FOAM: Reducción adaptativa del error de obsolescencia en Shampoo
Descubre FOAM, un método adaptativo que reduce el error de obsolescencia en Shampoo, mejorando la eficiencia computacional sin sacrificar convergencia. Ideal para optimización a gran escala.
Interacción de modalidades en MLLMs: descomposición parcial
Entiende cómo la PID descompone la interacción entre modalidades en MLLMs, identificando sinergia y redundancia. Clave para mejorar razonamiento y grounding en IA.
BitsMoE: Asignación eficiente de bits para cuantización de MoE LLM
BitsMoE asigna bits inteligentemente en MoE LLM, logrando cuantización 2 bits con 27.83% más precisión, 12.3x más rápida y 1.76x más velocidad.