Más allá de LoRA: ¿Es mejor la adaptación inducida por dispersión?
La adaptación inducida por dispersión supera a LoRA en eficiencia y generalización. Nuevos métodos cLA y c3LA reducen memoria y tiempo.
#entrenados
Mejora de modelos de segmentación de glioma con post-procesamiento
Descubre cómo el post-procesamiento adaptativo mejora la segmentación de gliomas, reduciendo errores sin reentrenar modelos. Resultados en BraTS 2025.
Expansión de atención: mejora la extracción de frases clave en documentos largos
Mejora la extracción de frases clave en documentos largos con expansión de atención. Resultados F1 superiores sin LLMs costosos.
Identificación parcial con datos faltantes y variables sombra débiles
Cómo las variables sombra débiles de modelos preentrenados permiten acotar estimaciones con datos faltantes, reduciendo sesgo y mejorando precisión
LoTUS: Desaprendizaje automático a gran escala con incertidumbre
Aprende cómo LoTUS elimina la influencia de datos de entrenamiento en modelos pre-entrenados sin reentrenar. Mejora eficiencia y precisión a gran escala.
Marco de Reciclaje de Modelos para Aprendizaje por Transferencia Sin Datos Multifuente
Descubre el marco de reciclaje de modelos para aprendizaje por transferencia sin datos. Optimiza modelos de forma eficiente.
GP-Adapter: Detección OOD con pocos ejemplos usando procesos gaussianos
Aprende cómo GP-Adapter integra procesos gaussianos en CLIP para detectar datos fuera de distribución con pocos ejemplos, mejorando la incertidumbre y fiabilidad.
Olvido eficiente y exacto en aprendizaje continuo con modelos preentrenados
Descubre cómo el método ACU permite un olvido exacto y eficiente en aprendizaje continuo con modelos preentrenados, preservando la privacidad histórica.
Razonamiento multigranular para inferencia de lenguaje natural
Descubre MGRN, una red de razonamiento multigranular que mejora la inferencia de lenguaje natural imitando el proceso cognitivo humano. Resultados superiores en benchmarks.
GenFT: Ajuste eficiente generativo para modelos preentrenados
GenFT: método de ajuste fino que genera actualizaciones de pesos condicionadas a pesos originales. Mejora NLP y visión con pocos parámetros.
El poder expresivo de las redes equivariantes en el espacio de pesos
Descubre cómo las redes equivariantes a permutaciones pueden mejorar hasta un 34% el rendimiento en tareas de aprendizaje de pesos. Un análisis teórico completo
Transcriptómica espacial como imágenes para preentrenamiento a gran escala
Descubre cómo tratar la transcriptómica espacial como imágenes permite preentrenar modelos masivos, mejorando el rendimiento en estudios clínicos y patológicos.
Comportamiento contrafactual: proximidad del límite y soporte local
Descubre cómo la proximidad al límite de decisión y el soporte local determinan la viabilidad de explicaciones contrafactuales en modelos de IA, incluso con igual precisión.
Retroceder sin olvidar: Refinamiento selectivo en aprendizaje continuo
Descubre SABER: refinamiento selectivo para transferencia positiva en aprendizaje continuo sin olvidar.
Refinamiento Selectivo Hacia Atrás para Aprendizaje Continuo Eficiente
SABER permite transferencia positiva de conocimiento hacia atrás en aprendizaje continuo sin olvidar, usando refinamiento selectivo eficiente.
Ajuste fino eficiente de modelos preentrenados para segmentación de instancias
Descubre cómo el ajuste fino eficiente con adaptadores y LoRA logra segmentar instancias con solo 1-6% de parámetros, manteniendo rendimiento. ¡Optimiza!
MindVoice: Reconstrucción de habla inteligible desde señales neurales no invasivas
MindVoice transforma señales cerebrales en habla inteligible usando IA. Un avance en interfaces cerebro-computadora no invasivas.