Abstracciones con Answer-Set Programming para Aprendizaje por Refuerzo
Exploramos cómo ASP crea abstracciones potentes para Reinforcement Learning usando el framework CARCASS. Casos en Blocks World y Minigrid.
#dominio
Adaptación de dominio y razonamiento: experimento con cosmología histórica
Un experimento con cosmología histórica revela cómo la adaptación de dominio cambia los marcos explicativos en modelos de lenguaje.
Revisión de sim-to-real industrial: disponibilidad de CAD
¿CAD o sin CAD? Revisamos cómo la disponibilidad previa guía la transferencia sim-to-real industrial. Técnicas para detección, pose e inspección superficial.
Arquitectura de errores: de imposibilidad universal a confiabilidad local en LLM
¿Imposible la confiabilidad universal de LLM? No en dominios acotados. Descubre cómo los errores repetitivos se solucionan con intervenciones locales.
Evaluación de generalización semántica en LLMs con construcciones frasales
Estudio revela que los LLMs como GPT-o1 fallan al generalizar construcciones frasales sintácticamente idénticas, con una caída de rendimiento del 40%.
Recordar reconstruyendo: aprendizaje incremental de dominio y test-time training
Aprende cómo recordar dominios olvidados en aprendizaje incremental usando test-time training con autoencoder enmascarado y LoRA. Ideal para video.
GETA: Análisis Generalizado de Tráfico Encriptado
GETA: marco de análisis de tráfico encriptado que utiliza meta-aprendizaje y atención para clasificar con pocos datos. Supera a los métodos actuales en redes modernas.
Avances y desafíos en meta-aprendizaje: una revisión técnica
Descubre los avances y desafíos del meta-aprendizaje en IA. Revisión técnica de técnicas, sinergias con otras áreas y aplicaciones para datos escasos.
Selección adaptativa de subespacios en la variedad de Stiefel para EEG
Descubre cómo el enrutamiento dinámico en la variedad de Stiefel mejora la decodificación EEG entre sujetos, superando limitaciones de adaptación de dominio sin necesidad de datos de calibración.
Aprendiendo representaciones latentes cardíacas en el espacio del vectorcardiograma
Descubre cómo LVCG aprende representaciones cardíacas en el espacio VCG, mejorando robustez y generalización frente a métodos tradicionales de ECG.
EPA: Estimar, Explicar y Mejorar el Rendimiento ante Cambio de Distribución
Descubre EPA, el nuevo método de alineación de proyección entrópica que estima, explica y mejora el rendimiento de tu modelo ante cambios de distribución. ¡Rápido y preciso!
Por qué el Audi Q9 lleva una cabina llena de pantallas a una batalla que Range Rover ha ganado durante 50 años
El Audi Q9 llega con pantallas avanzadas para competir en el terreno que Range Rover domina desde hace 50 años. Descubre sus claves.
Heurísticas independientes del dominio evolucionadas por LLM para la planificación simbólica de IA
Descubre cómo la planificación simbólica se optimiza con heurísticas independientes del dominio evolucionadas por LLM, mejorando eficiencia y autonomía.
PTCG-Bench: ¿Pueden los agentes de LLM dominar el juego de cartas coleccionables Pokémon?
<meta name=description content=Descubre si los LLMs pueden dominar Pokémon TCG con PTCG-Bench. Analiza su capacidad estratégica.>
MEMENTO: Aprovechando la Web como señal de aprendizaje para dominios con pocos datos
<meta name=description content=Aprende a usar la web como señal de aprendizaje para dominios con pocos datos. Descubre cómo extraer conocimiento de Internet y mejorar modelos con técnicas de transferencia.>
Síntesis de Datos Específica del Dominio para LLMs mediante Aprendizaje de Representación Suficiente Mínima
<meta name=description content=Aprende a sintetizar datos de dominio para LLMs con representación suficiente mínima, optimizando rendimiento y recursos.>
Representación informada por el dominio para el cribado evolutivo en retículos integrales y modulares
Cribado evolutivo con representación informada por dominio en retículos integrales y modulares. Técnica avanzada para optimización y búsqueda en estructuras de retículos.
GiPL: Pseudoetiquetado Iterativo Aumentado Generativo para la Detección de Objetos con Pocas Muestras en Dominios Cruzados
GiPL: Pseudoetiquetado iterativo generativo para detección con pocas muestras en dominios cruzados. Mejora la adaptación entre dominios con mínimos datos etiquetados.
Resuelto en Dominio Unitario: JacobiNet para PINNs Transformadas por Coordenadas Diferenciables
JacobiNet introduce coordenadas diferenciables para mejorar las PINNs en dominio unitario, optimizando precisión y eficiencia en la resolución de EDPs.
Agregación proximal del servidor para aprendizaje federado incremental por dominio bajo participación parcial: convergencia uniforme de tareas y transferencia hacia atrás
<meta name=description content=Descubre la agregación proximal para aprendizaje federado incremental por dominio con participación parcial. Optimiza modelos sin datos centralizados.>