Code-on-Graph: Razonamiento Programático con LLMs
Descubre Code-on-Graph, framework que combina LLMs y grafos de conocimiento para razonamiento programático flexible. Supera limitaciones de precisión y escalabilidad.
#consultas
Enrutamiento consciente de costos en RAG: Compensaciones de profundidad
CA-RAG optimiza el enrutamiento en RAG: reduce tokens 26% y latencia 34%.
Aprendizaje de DNF mediante representaciones generalizadas de Fourier
Descubre cómo las representaciones generalizadas de Fourier permiten aprender DNF bajo distribuciones no producto. Un avance clave en teoría del aprendizaje automático.
FlowGuard: Protección de IDS energéticos contra robo de modelos
FlowGuard protege IDS energéticos de robos de modelos sin identidad. Detecta consultas fuera de distribución mediante flujo normalizado. ¡Aumenta tu seguridad!
Elicitación de Preferencias Causales
Descubre cómo la elicitación causal de preferencias acelera el descubrimiento causal con consultas activas a expertos. Un enfoque bayesiano para concentrar la posterior sobre DAGs.
Optimización en tiempo de prueba de planes de consulta física con LLMs
Descubre cómo los LLMs optimizan planes de consulta física en tiempo de prueba, logrando aceleraciones de hasta 4.78x en consultas OLAP. ¡Aumenta la eficiencia!
A quién y qué preguntar: elicitación grupal adaptativa con LLM
Descubre cómo un enfoque adaptativo con LLM y redes neuronales predice opiniones grupales con solo el 10% de encuestados.
MLSkip: Omitir datos para filtros de ML mediante metadatos ligeros
MLSkip usa metadatos ligeros para optimizar filtros ML en bases de datos. Logra aceleración hasta 1.07x en DuckDB. ¡Mejora el rendimiento de tus consultas!
Modelos físicamente viables para IA encarnada condicionada por consultas
Descubre por qué los modelos del mundo pueden fallar en IA encarnada y cómo construir modelos físicamente viables para consultas de intervención.
Marco unificado guiado por evaluación para optimizar prompts según consultas
Descubre marco optimización prompts que utiliza evaluación unificada para mejorar calidad respuestas por consulta. Resultados interpretables y consistentes.
De grafos a esquemas: validación contrafactual para Text-to-SPARQL
SchemaForge mejora precisión en consultas SPARQL heterogéneas con validación contrafactual. Aumenta accuracy 11.5% en benchmarks clave.
Ajuste de ejemplos a clases lógicas en estructuras infinitas
Descubre cómo determinar si un conjunto de datos se ajusta a una hipótesis lógica en estructuras infinitas. Análisis de complejidad y uso de consultas naturales para clasificar muestras.
Recuperación exacta de comunidades en SBM con consultas limitadas
Descubre cómo las consultas adaptativas superan el límite de consultas uniformes para recuperar comunidades exactamente.
Escalando la relevancia en búsquedas: cómo los LLM mejoran el ranking de la App Store
Mejora la relevancia de búsqueda en la App Store con juicios generados por LLM. Este método escala etiquetas textuales y aumenta la tasa de conversión un 0,24%.
La auditoría de políticas casi óptimas puede ser exponencialmente difícil
Descubre por qué auditar políticas casi óptimas en RL puede ser exponencialmente difícil. Analizamos cotas inferiores de consulta y la capacidad Rashomon.
Fuga de datos en la nube: Arquitectura SQL para detener pérdidas
Las malas prácticas de SQL en la nube generan fugas financieras. Aprende a arquitecturar consultas eficientes y reducir costos hasta un 40%.
Nueva solución GPU de IBM promete consultas 25 veces más rápidas
IBM presenta aceleración GPU para watsonx.data: consultas 25x más rápidas y 80% menos costos. Conoce sus beneficios para tu negocio.
Pushdown queries: 5x menos latencia, 160x menos memoria
Descubre cómo las consultas pushdown reducen la latencia de API hasta 5x y el consumo de memoria 160x frente al filtrado en memoria. Resultados de benchmark.
SIRIUS-SQL: Anclando Múltiples Candidatos con Feedback de Ejecución
SIRIUS-SQL mejora Texto-SQL anclando múltiples candidatos con feedback de ejecución. Logra 75.88% en BIRD y 91.20% en SPIDER. ¡Descubre cómo!
Mueve la consulta, no el caché: atención entre instancias GPU
Mueve la consulta en lugar del caché KV y reduce la latencia en atención entre GPUs. Optimiza clusters H100 con RDMA.