Contraste y sesgo inductivo: cómo separar ruido lento de dinámicas
Descubre cómo el aprendizaje contrastivo puede confundir ruido lento con la dinámica real, y cómo muestrear negativos dentro de la misma trayectoria mejora las representaciones.
#contraste
Aprendizaje Físico Contrastivo por Perturbaciones
El marco PCPL permite que sistemas físicos aprendan clasificaciones mediante contraste de respuestas a perturbaciones, sin retropropagación ni procesador externo.
Aprendizaje de representaciones consciente de la iluminación variable
Aprende cómo el modelado explícito de la iluminación mejora el aprendizaje visual, logrando mayor robustez y adaptabilidad en clasificación y detección.
Operadores Monte Carlo Steklov para geometría a gran escala
Un nuevo método Monte Carlo para estimar operadores volumétricos acelera el procesamiento de geometría 3D, robusto ante mallas de baja calidad y múltiples componentes.
Marco diferenciable para inversión completa y sin fase con redes neuronales
Marco diferenciable con redes neuronales implícitas mejora inversión completa y sin fase, ofreciendo precisión y robustez incluso con mediciones ruidosas.
Búsqueda Física Mejorada por Correlaciones
Descubre cómo la coincidencia de correlaciones temporales con restricciones físicas mejora la eficiencia de búsqueda. Un modelo minimalista revela el principio organizador.
¿Razonamiento o fluidez? Confianza en selección Best-of-N
¿Tu IA realmente razona o solo parece fluida? Descubre cómo las métricas de confianza probabilística fallan y la nueva métrica de causalidad que mejora la selección.
La pérdida no basta: condiciones de muestreo y sesgo inductivo
La pérdida no basta en aprendizaje contrastivo. Condiciones de muestreo y sesgo inductivo determinan la recuperación de representaciones latentes.
BabyCL: aprendizaje visual y verbal continuo desde entrada egocéntrica
Descubre BabyCL, un marco que procesa vídeos egocéntricos de niños para aprender palabras, reduciendo la brecha con offline. ¡Lee más!
MIND: Marco de razonamiento discriminativo integrado para modelos multimodales
MIND: nuevo marco de razonamiento activo para modelos multimodales. Emula el proceso humano entender-repensar-corregir. Logra SOTA.
Aprendiendo el vecindario: Pretraining multimodal libre de contraste molecular
C-FREE integra 2D y 3D en grafos moleculares con pretraining auto-supervisado sin contraste, superando modelos en MoleculeNet.
Precondicionador de dos mallas para flujo subterráneo con red híbrida de atención
Precondicionador de dos mallas y red híbrida de atención aceleran simulación de flujo subterráneo en medios de alto contraste, mejorando precisión.
Score × Decoder: visión unificada para mitigar alucinaciones sin supervisión
Descubre cómo combinar scores (perplejidad, contraste, verificación) con decodificadores para reducir alucinaciones en LLM sin supervisión. Resultados con Qwen3-1.7B.
DiffuSent: marco de difusión unificado para análisis de sentimiento por aspectos
DiffuSent revoluciona ABSA con difusión no autorregresiva: mayor precisión en tripletes multi-palabra y hasta 181x más rápido.
Alternativa sin entrenamiento: LLMs puntúan procesos matemáticos
Descubre cómo LLMs listos para usar mejoran el razonamiento matemático sin entrenamiento, superando la votación mayoritaria hasta 28%.
Explicaciones contrafácticas robustas guiadas por densidad
DensityFlow genera explicaciones contrafácticas robustas evitando zonas de baja densidad, garantizando validez bajo múltiples modelos y reduciendo costos.
Aprendizaje por Refuerzo de Supervivencia: Hacia RL Auto-Supervisado Escalable
Descubre cómo Survival RL supera el dilema del contraste, logrando 2x a 8x mejor rendimiento en robótica de largo plazo. ¡Auto-supervisado y escalable!