Aprendizaje de instancias múltiples en contexto
MIL en contexto: aprende con pocos datos etiquetados en un solo pase sin reentrenamiento.
#datos sintéticos
Epidemiología del colapso de modelos: contaminación con datos sintéticos
Contaminación cruzada con datos sintéticos colapsa modelos IA. Modelo SIR de doble capa explica fenómeno y sugiere detección e inmunidad.
Inferencia potenciada por datos sintéticos
Descubre cómo el framework GESPI combina datos sintéticos y reales para mejorar la inferencia estadística sin sacrificar precisión.
Minimax óptimo en datos sintéticos con privacidad diferencial
Descubre cómo un nuevo algoritmo logra un error minimax óptimo en datos sintéticos con privacidad diferencial para consultas suaves, mejorando la utilidad en análisis de datos sensibles.
Privacidad de contrafactuales: ataques de inferencia de membresía
Descubre cómo los contrafactuales pueden exponer datos privados del modelo mediante ataques de inferencia de membresía, incluso sin acceso al modelo original. ¡Lee más!
Recover-LoRA: Recuperando precisión en cuantización agresiva de 2 bits
Recover-LoRA recupera hasta 95% de precisión en modelos de 2 bits usando adaptación de bajo rango y destilación con solo 10k datos sintéticos.
Recover-LoRA: Recuperando precisión en modelos de 2 bits
Recover-LoRA recupera hasta un 95% de precisión en modelos de lenguaje cuantizados a 2 bits usando destilación de conocimiento con datos sintéticos. Ideal para despliegue en edge.
ClustRecNet: aprendizaje profundo para recomendar clustering
Descubre ClustRecNet, un marco de IA que recomienda el mejor clustering y supera a métodos tradicionales y AutoML.
Reconstrucción de campos térmicos no observables con simulación e IA
Descubre cómo reconstruir campos de temperatura no observables con IA y simulación. Monitoreo en tiempo real para industria.
Midiendo lo relevante: Benchmarks sintéticos para modelos de cuello de botella
Aprende cómo los benchmarks sintéticos optimizan los modelos de cuello de botella de conceptos para apoyo a la decisión y automatización.
Series temporales financieras con características convolucionales aleatorias
Aprende cómo SOCK, un enfoque de características convolucionales aleatorias, genera series financieras realistas sin sobreajuste, incluso con datos escasos.
Fase 2 Enviada: 5 Errores sobre Enrutamiento con Embeddings
Fase 2: 5 errores al implementar enrutamiento con embeddings - lecciones sobre precisión, categorías y datos sintéticos.
Entrenamiento ASR eficiente con conversaciones que nunca ocurrieron
Descubre cómo generar conversaciones sintéticas con LLM y TTS para entrenar ASR de forma eficiente, logrando mejor rendimiento con pocos datos reales
Modelos de lenguaje: dormir para auto-modificarse y consolidar recuerdos
Descubre cómo los modelos de lenguaje pueden mejorar su memoria y aprender de forma continua imitando el sueño humano, con técnicas de destilación y ensueño.
TalkPlayData 2: Datos sintéticos para recomendación musical conversacional
Descubre TalkPlayData 2, un dataset sintético de agentes LLM para recomendación musical conversacional. ¡Impulsa tus modelos con datos realistas!
WRIT: Trayectorias intensivas en escritura-lectura para agentes multi-turno
WRIT genera trayectorias sintéticas para entrenar agentes multi-turno con decisiones basadas en evidencia, y con solo 2K ejemplos supera a GPT-5.1.
Ptychografía ciega a la posición: viabilidad con inferencia variacional
Descubre cómo la inferencia variacional con modelos de difusión permite reconstruir imágenes en ptychografía ciega a la posición, incluso con ruido. Resultados prometedores.
Cuantificación de la propagación de errores y colapso en modelos de difusión
Analizamos la propagación de errores en modelos de difusión con datos sintéticos. Primeras cotas inferiores de divergencia y regímenes de deriva.
AutoEval correcto: evaluar modelos con datos sintéticos
Descubre cómo los algoritmos de AutoEval usan datos sintéticos para reducir costos de anotación humana y aumentar la muestra efectiva hasta un 50% con GPT-4.
Hace lo que promete: datos sintéticos seguros con márgenes agrupados
Descubre cómo generar datos sintéticos seguros y transparentes con el método de márgenes agrupados, garantizando privacidad sin perder relaciones entre variables.