CheckMIABench: Bases para ataques de inferencia de membresía en modelos LLM
Descubre CheckMIABench, el nuevo benchmark sin sesgos para evaluar ataques de inferencia de membresía en modelos de lenguaje. ¡Protege la privacidad de tus
#delos
Emparejamiento de Perron-Frobenius para Modelado Generativo
Descubre PFOM: un marco generativo que unifica flujo, difusión y saltos vía operador de Perron-Frobenius. Convergencia acelerada con Nesterov.
Martingale Doppelganger-Eval: Un marco para auditar la comprensión de velas
Descubre cómo Martingale Doppelganger-Eval revela que los VLMs ignoran evidencia de velas y se basan en tendencias pasadas.
Aprendiendo a Refinar Estados Ocultos para Razonamiento Fiable en LLM
ReLAR refina estados ocultos con aprendizaje por refuerzo, mejorando precisión y estabilidad en razonamiento LLM con menor costo.
Reanclaje de crédito de eventos: cuando los modelos leen pasos erróneos
CREST reancla el crédito de eventos sin etiquetas, corrigiendo dilución temporal para lecturas globales robustas.
Redes neuronales con restricciones físicas mejoran el pronóstico a corto plazo
Descubre cómo las PCNN mejoran un 26% la precisión del pronóstico a corto plazo. Caso de estudio en el Pacífico Sur con resultados de hasta 22% de mejora.
EnvRL: Aprendizaje por Refuerzo Agentivo con Dinámicas del Entorno
Descubre EnvRL, un marco que mejora el aprendizaje por refuerzo agentivo al integrar dinámicas del entorno. Logra tasas de éxito superiores en ALFWorld y
Recuperación ciega de dominios latentes mediante descubrimiento de simetrías
Aprende cómo el descubrimiento no supervisado de simetrías recupera señales ocultas en datos desordenados. Un nuevo enfoque para problemas inversos ciegos.
Auto-mejora continua en LLMs con recuerdos latentes ligeros
Descubre cómo los LLMs pueden auto-mejorarse aprendiendo de sus propias trazas de razonamiento, sin supervisión externa y con mínimos recursos computacionales.
Clasificación meta de modelos de una clase usando ranking y vecinos cercanos
Meta-clasificación de modelos OCC con ranking y vecino cercano: alta precisión clasificando datos y algoritmos. Solución unificada de modelos, datos y rankings.
Media conexión predice toda la conexión: Generalización en KGFMs
¿Basta media conexión para predecir una completa? Exploramos la generalización en KGFMs y su taxonomía de escenarios. ¡Descubre cómo mejoran!
Escalamiento recursivo en modelos de difusión enmascarados
Descubre cómo los modelos de difusión recursiva (R-MDMs) mejoran la eficiencia paramétrica al reutilizar transformers, logrando calidad con menos recursos y
ConTex: Reformulando Generación Contrafactual para Series Temporales
ConTex genera intervenciones contrafactuales mínimas para pronósticos de series temporales en tiempo real, reduciendo costos hasta 36x.
NoiseTilt: Alineación de recompensas en difusión con ruido inclinado
NoiseTilt revoluciona la alineación de recompensas en difusión: logra alta calidad con solo 25 NFEs, reduciendo el cómputo 20 veces.
De trazas de razonamiento a módulos reutilizables: generalización composicional
La combinación de SFT y RL permite a los LLMs descomponer trazas en módulos reutilizables y logra generalización composicional. Descubre el protocolo efectivo.
Envenenamiento del paisaje de pérdida: extraer datos de entrenamiento no vistos
Nuevo ataque de envenenamiento del paisaje de pérdida extrae datos ocultos de LLMs, incluso eludiendo la privacidad diferencial.
De compresión a despliegue: FastGRNN en tiempo real en microcontroladores
Descubre cómo desplegar FastGRNN en microcontroladores ultra limitados consiguiendo inferencia en tiempo real con solo 566 bytes de pesos. Optimización
Comportamiento de memorización de LLMs en recomendación generativa
Descubre cómo los LLMs en recomendación generativa tienden a memorizar en lugar de generalizar, y cómo la estrategia IIRG mejora las predicciones al capturar
VISTA: Navegación Visual Consciente de Escala por Historial de Acciones
Descubre cómo VISTA utiliza el historial de acciones para lograr navegación visual en cualquier escala y entorno, con precisión del 100% en despliegue real.
Análisis de fallos en comprensión temporal de modelos audio-lenguaje
Descubre por qué los modelos de audio-lenguaje fallan en tareas temporales y cómo redirigir la atención mejora su precisión sin necesidad de ajuste fino.