HELVAE: Autoencoders Multimodales con Divergencia Hellinger
Descubre cómo HELVAE mejora los autoencoders multimodales usando la divergencia Hellinger para representaciones latentes más expresivas y mejor equilibrio entre coherencia y calidad.
#diverge
BioDivergence: benchmark de contradicciones contextuales en abstracts biomédicos
BioDivergence: benchmark y taxonomía para detectar contradicciones contextuales en abstracts biomédicos. ¿Cómo mejora la verificación científica? Descúbrelo.
Cuando el contexto regresa: internalización robusta en destilación on-policy
¿Sabías que reintroducir el contexto a un modelo destilado puede empeorar su rendimiento? Descubre cómo un ligero regularizador lo evita.
Evaluación automatizada de la creatividad en modelos de lenguaje
Nuevo marco automatizado evalúa la creatividad de modelos de lenguaje en tareas abiertas: mide novedad, diversidad y cumplimiento.
Más allá de la región de confianza uniforme por token en RL para LLMs
CPPO mejora la estabilidad y precisión del razonamiento en LLMs al superar las regiones de confianza uniformes. Nuevo enfoque de optimización.
Más allá de la confianza uniforme en tokens en RL para LLM
CPPO mejora el razonamiento de LLM al reemplazar la confianza uniforme por divergencia de prefijo acumulativa. Mayor estabilidad y precisión.
Flow-DPPO: Optimización de Política Proximal con Divergencia para Modelos Flow
Flow-DPPO mejora la generación de imágenes y video con RL online y restricción de divergencia, superando al ratio clipping. ¡Descubre cómo!
Optimalidad de tokens FSQ en difusión continua para datos categóricos (TTS)
Los tokens FSQ son óptimos para difusión continua en datos categóricos. Este estudio demuestra que superan a modelos LLM en TTS siendo más pequeños y rápidos.
Dinámica Rotacional: Cómo los Transformers Rechazan Respuestas
Descubre cómo los transformers separan respuestas correctas de incorrectas mediante una dinámica rotacional en sus capas ocultas. Un estudio revela patrones geométricos sorprendentes.
Repensando la Regularización de Divergencia en RL para LLMs
Descubre DRPO: un nuevo método que reemplaza el recorte de ratio con regularización cuadrática suave para estabilizar el entrenamiento RL en modelos de lenguaje.
Tu algoritmo de autoaprendizaje es un imitador adversarial secreto
Descubre cómo el autoaprendizaje de LLM es en realidad un imitador adversarial. Un nuevo algoritmo mejora la estabilidad y el rendimiento del ajuste fino sin datos de preferencia.
Proyecciones baricéntricas de planes de transporte óptimo en variedades riemannianas
Convierte acoplamientos de transporte óptimo en mapas deterministas en variedades riemannianas con proyecciones baricéntricas. Intrínseco y tangencial.
Características latentes en LLMs: alineando semántica y mecanismos
Nuevo método no supervisado identifica modos de continuación en LLMs alineando semántica y atribuciones mecanicistas para auditar mecanismos internos.
DIVERGE: RAG mejorado con diversidad para búsqueda abierta
Descubre cómo Diverge, un marco RAG innovador, duplica la diversidad en respuestas sin sacrificar calidad. Ideal para búsquedas abiertas.
La trampa de la confianza: ataques de calibración para GNN
Los modelos de GNN calibrados son vulnerables a ataques adversariales. El marco UGCA revela cómo aumentar el error de calibración manteniendo la precisión. ¡Conócelo!
Diagnóstico de incógnitas con certificados de ignorancia estructurada
Descubre cómo los Certificados de Ignorancia Estructurada (SIC) entrenan a los modelos de IA para reconocer sus límites, reduciendo alucinaciones y mejorando la precisión en consultas complejas.
Contratos Kernel: Acotando la Divergencia entre Entrenamiento e Inferencia
Los contratos kernel acotan la divergencia entre entrenamiento e inferencia, reduciendo sesgos en el gradiente de política en post-entrenamiento de RL.
Enseñar el método, no la respuesta: Destilación privilegiada multimodal
Descubre cómo PTD-PO optimiza políticas multimodales sin revelar respuestas, mejorando el razonamiento complejo.
Privacidad implica estabilidad: cotas de generalización en aprendizaje cuántico
Nuevas cotas de generalización para aprendizaje cuántico: privacidad y estabilidad van de la mano. Descúbrelo aquí.
La Mesa Redonda Virtual: Personas Multi-Agente Simulan el Brainstorming Humano
Descubre cómo un sistema multi-agente simula el brainstorming humano con personas virtuales. Genera ideas diversas y las evalúa. Caso: gafas inteligentes.