Factorización triple ortogonal no negativa para matrices simétricas
Descubre cómo resolver el problema de factorización triple de matrices no negativas ortogonales simétricas con dos nuevos algoritmos heurísticos. Aplicaciones en clustering y redes.
#descomposición
GENERIC-FNO: Conservación de energía y producción de entropía en operadores neurales de Fourier
Descubre cómo GENERIC-FNO logra precisión de máquina en la preservación de leyes termodinámicas, superando a modelos previos en PDEs complejas.
Transformada Neural de Legendre-Fenchel con Precondicionamiento Hessiano
Descubre cómo la transformada Neural de Legendre-Fenchel con precondicionamiento Hessiano mejora la precisión y convergencia en funciones mal condicionadas.
Descomposición en volumen y frontera de redes neuronales
Descubre cómo la descomposición bulk-boundary revela dinámica intrínseca y estocástica de redes neuronales, con ecuación de continuidad de energía.
Factorización CP para series temporales tensoriales de alta dimensión y proyección doble
Aprende cómo la factorización CP y la doble proyección mejoran la estimación de cargas factoriales en series temporales tensoriales de alta dimensión.
Tensorizando Engram: Latentes compartidos en N-gramas para LLMs
Descubre TN-gram: un módulo de memoria compacto que mejora LLMs al compartir factores latentes entre embeddings de N-gramas con menos parámetros.
Razonamiento contrafáctico para la descomposición de evidencia en VideoQA
Descubre cómo el razonamiento contrafáctico mejora la precisión y fiabilidad del VideoQA al separar evidencia causal de correlaciones espurias. Ideal para sistemas de IA más confiables.
Evaluando estrategias de inversión en IA
Descubre un nuevo método para auditar estrategias de inversión en IA basado en la descomposición exacta del arrepentimiento. Ideal para evaluar carteras y mecanismos de plataforma.
Escalando el aprendizaje centrado en decisiones con descomposición Lagrangiana
Descubre cómo la descomposición Lagrangiana resuelve problemas de gran escala en aprendizaje centrado en decisiones, mejorando eficiencia y paralelización.
SearchSwarm: Delegación inteligente en LLMs para investigación profunda
SearchSwarm logra 68.1 en BrowseComp y 73.3 en BrowseComp-ZH, superando a modelos de su escala. Descubre cómo entrena la inteligencia de delegación.
LFNO: Uniendo Laplace y Fourier con descomposición transitorio-estacionario
Conoce LFNO, operador neuronal que une Laplace y Fourier para modelar sistemas dinámicos con descomposición transitorio-estacionaria, superando en ODE y PDE.
Steering geométrico en modelos de lenguaje: descomposición ángulo-norma
Descubrimos que el control de modelos de lenguaje depende de la interacción entre ángulo y norma. Explicamos por qué los métodos de steering difieren y proponem
De Workflow a Skill: creación con descomposición RWSA
Aprende a construir habilidades (skills) para agentes de IA desde trazas heterogéneas con el método RWSA. Mejora la consistencia de comportamiento en un 10.5% – sin escritura manual.
POD Multiescala de Atención en Transformers con Morlet
Descubre cómo el POD multiescala con wavelet Morlet extrae modos energéticos de atención en transformers, revelando jerarquía de escalas sin anotaciones.
POD multiescala de atención en transformers: análisis por escalograma
Aplicamos POD multiescala con wavelet de Morlet a campos de atención de transformers, revelando modos dominantes y organización por capas. Sin modificaciones arquitectónicas.
SigmaScale: Compresión de LLM con SVD y matrices de escala aprendidas
Descubre SigmaScale, método para comprimir LLMs con descomposición SVD y matrices de escala aprendidas. Reduce costo computacional sin perder rendimiento.
Descomposición Proxy de Benders: Acelerando la Optimización
Descubre la Descomposición Proxy de Benders: acelera optimización a gran escala con gaps <0.5% y hasta 161x más rápido, reduciendo cortes en 240x. ¡Lee más!
Estudio comparativo de RAG adaptativo orquestado por agentes
Estudio comparativo de RAG adaptativo orquestado por agentes: mejoras en precisión en dominios estructurados pero costos de latencia en multi-salto.
TailLoR: Protegiendo Componentes Principales en Aprendizaje Continuo
Descubre TailLoR, un método que protege los componentes principales usando descomposición espectral para un aprendizaje continuo eficiente y sin interferencias.
Descomposición SVD Funcional Dispersa para Biclusters y Triclusters
Descubre cómo la descomposición SVD funcional dispersa identifica patrones ocultos en datos longitudinales, aplicado a enfermedades inflamatorias y señales EEG.