Eficacia del clustering profundo en conjunto en historias clínicas
Investigamos la eficacia del clustering profundo ensemble en historias clínicas electrónicas para identificar subgrupos de pacientes con insuficiencia cardíaca.
#datos tabulares
Datos tabulares sintéticos con privacidad diferencial
Descubre cómo Tab-PE genera datos tabulares sintéticos con privacidad diferencial, mejorando la precisión hasta un 10% y siendo 28 veces más rápido que AIM.
Datos sintéticos con privacidad diferencial mediante APIs 4: Datos tabulares
Descubre cómo Tab-PE genera datos tabulares sintéticos con privacidad diferencial, más preciso y 28 veces más rápido. Ideal para compartir datos.
ReTabSyn: Síntesis Realista de Datos Tabulares con RL
Descubre ReTabSyn, el método de aprendizaje por refuerzo que genera datos tabulares realistas incluso con pocos datos. Mejora tus modelos de IA.
LLMs para clasificación desbalanceada: diversidad crucial
Descubre cómo un nuevo oversampling con LLMs genera muestras sintéticas diversas para clasificación desbalanceada. Supera a 8 métodos.
pTNAS: Búsqueda Progresiva de Arquitecturas Neuronales para Datos Tabulares
Optimiza modelos con pTNAS: acelera hasta 82x la búsqueda de arquitecturas neuronales para datos tabulares. Eficiencia y precisión.
ProfiliTable: Procesamiento de Datos Tabulares con Flujos de Trabajo Agentes
Optimiza datos tabulares con ProfiliTable: perfiles dinámicos y agentes autónomos para transformaciones robustas.
Harpoon: Guía de Variedades Generalizada para Difusión Tabular Condicionada
Descubre Harpoon, un método de difusión tabular que guía la generación de datos con restricciones en inferencia, superando limitaciones de métodos anteriores.
LimiX-2M: Mitigando colapso de bajo rango y cuellos de botella
Descubre LimiX-2M, un modelo de 2M parámetros que supera a alternativas más grandes mediante tokenización avanzada y enrutamiento optimizado. Reduce costos y mejora precisión en datos tabulares.
Adaptador de texto para TabPFN sin cuello de botella PCA
Conoce el adaptador de texto para TabPFN que elimina el cuello de botella PCA, mejorando el rendimiento en datos tabulares con texto de alta cardinalidad.
Imputación selectiva con difusión consciente de incertidumbre
Diff-Joint identifica cuándo no imputar datos faltantes con ausencias significativas. Mejora modelos de análisis usando difusión consciente de incertidumbre.
AugMask: entrenamiento de modelos de difusión con datos tabulares incompletos
Descubre AugMask: entrena modelos de difusión en datos tabulares incompletos con aumento estocástico. Mejora la generación de datos.
Archivo completo del canal AI.Insaf (@ai_tablet)
Descubre el archivo completo del canal AI.Insaf: posts sobre IA, ML, RAG, LLMs, OCR y desarrollo. Tutoriales y trucos para expertos en tecnología.
Compresión extremo a extremo para modelos tabulares
Descubre cómo TACO comprime datasets tabulares en espacio latente, logrando hasta 94x más rapidez y 97% menos memoria sin perder rendimiento.
Preservación de privacidad contra inversión de gradientes en FL tabular
Protege tu privacidad en aprendizaje federado tabular. Vemos cómo los ataques de inversión de gradientes revelan datos. Descubre factores clave de riesgo.
El futuro de la IA climática es multimodal
La IA multimodal combina satélites, texto y datos estructurados para validar riesgos climáticos, superando las limitaciones de las tablas. Una nueva era.
TabChange: Cambios Precisos de Atributos en Datos Tabulares
Descubre cómo TabChange logra cambios precisos en atributos de datos tabulares, manteniendo la naturalidad y minimizando modificaciones. Ideal para IA y análisis de datos.
ReTabAD: benchmark para restaurar contexto semántico en detección de anomalías
Descubre ReTabAD, el benchmark que restaura el contexto semántico en la detección de anomalías tabulares. Mejora rendimiento e interpretabilidad con LLM.
Explicaciones contrafácticas robustas guiadas por densidad
DensityFlow genera explicaciones contrafácticas robustas evitando zonas de baja densidad, garantizando validez bajo múltiples modelos y reduciendo costos.
TabCausal: Preentrenamiento en Entornos Causales para Detección Causal en Tablas
TabCausal aprende relaciones causales en datos tabulares con preentrenamiento en múltiples entornos. Supera métodos clásicos, ideal para intervenciones.