Beneficios de la normalización de pesos en sensado matricial sobreparametrizado
Descubre cómo la normalización de pesos acelera exponencialmente la convergencia en detección de matrices sobreparametrizadas. Un avance teórico clave.
#ep
Análisis espectral: características ricas no garantizan mejor generalización
Descubre cómo el análisis espectral de características moleculares revela que más datos no siempre mejoran la generalización en modelos de machine learning.
RL no episódico de horizonte finito con anticipación de K pasos
Descubre cómo un nuevo algoritmo de RL con anticipación de K pasos y umbral adaptativo logra un rendimiento superior en MDPs de horizonte finito no episódico.
StagePilot: Planificación por Etapas para Simulación de Diálogos en Ciberacoso
Descubre StagePilot: planificación por etapas y RL que simula diálogos realistas de ciberacoso. Logra un 43% más de efectividad en prevención juvenil.
El papel del cómputo en el aprendizaje por refuerzo
Descubre cómo la cantidad de cómputo impacta el aprendizaje por refuerzo. Un nuevo estudio demuestra que más cómputo supera a redes con más parámetros en
Arrepentimiento Casi Óptimo en Bandidos Adversariales Distribuidos
Descubre cómo un nuevo algoritmo de caja negra logra arrepentimiento casi óptimo en bandidos adversariales distribuidos, superando records previos. ¡Lee más!
Divide-and-Denoise: Composición justa de modelos de difusión
Descubre cómo Divide-and-Denoise coordina modelos de difusión mediante teoría de juegos para generar imágenes sin conflictos, mejorando calidad y equidad.
GauS: Optimización de Scheduling con Reparametrización Gaussiana
Descubre cómo GauS optimiza el scheduling con reparametrización gaussiana, logrando resultados Pareto-óptimos en compilación y hardware.
CAP: Representaciones PPG con supervisión a nivel paciente
CAP mejora la representación PPG al alinear con datos clínicos de pacientes. Logra hasta +87% en predicción respiratoria.
Descubriendo subgrupos con características de supervivencia excepcionales
Sysurv descubre subgrupos con supervivencia excepcional sin suposiciones. Supera al estado del arte en cáncer y mantenimiento predictivo.
InfoNCE induce una distribución gaussiana
Descubre cómo InfoNCE genera estructuras gaussianas en representaciones de aprendizaje contrastivo. Un análisis teórico con experimentos en CIFAR-10.
Sanitización de texto con representaciones desenredadas para agentes distribuidos
Descubre cómo DiSan protege la privacidad en agentes distribuidos: reduce PII en 20x y mantiene 83% de fidelidad.
Modelado de Trayectorias Cognitivas: Cuantificando la Co-creación Humano-IA
Aprende sobre CTM: un modelo para cuantificar la co-creación humano-IA a través de trayectorias cognitivas. Ideal para investigadores y desarrolladores.
T-Mem: Memoria que anticipa, no archiva
Descubre T-Mem, la primera memoria conversacional que anticipa. Combina recuperación descriptiva y asociativa para asistentes IA.
Revisión por pares entre LLMs: razonamiento multiagente para medicina
Descubre cómo los LLMs se evalúan entre sí con razonamiento multiagente para mejorar la precisión en preguntas médicas. Un enfoque de revisión por pares.
CNNs 3D Orientables Bayesianas: Equivarianza e Incertidumbre
Descubre cómo las CNNs 3D Orientables Bayesianas logran equivarianza exacta y cuantificación de incertidumbre, mejorando precisión hasta un 6.17% bajo ruido.
Destilación de Transformers con Deriva mediante Autoencoders de Representación
Descubre Drift-RAE, un método innovador que destila modelos de flujo en espacios latentes ricos, logrando 1.77 FID en ImageNet con solo 10k pasos. ¡Mejora la
IoT-Zoo: contenedores para perfiles IoT heterogéneos y captura reproducible
Descubre IoT-Zoo, un marco basado en contenedores para generar tráfico IoT heterogéneo y reproducible. Ideal para validar soluciones de redes y ciberseguridad.
Replay de generador se degrada: orquestación de ensayo proyectado en FCIL heterogéneo
PRO y PRO-MAX reemplazan el replay sintético por memorias proyectadas, mejorando la retención en aprendizaje federado incremental heterogéneo.
Vernier: Sondeando el desalineamiento representacional en razonamiento causal
Vernier revela cómo los modelos de lenguaje interpretan mal variables causales al cambiar nombres, evidenciando desalineamiento representacional.