Message Tuning supera al Graph Prompt Tuning: perspectiva prismática
Message Tuning supera al Graph Prompt Tuning: la Teoría del Espacio Prismático explica por qué. Descubre el nuevo método MTG.
#espacio
Modelos fundacionales de grafos con RAG hiperbólica
Descubre cómo HyRAG mejora la generalización de modelos fundacionales de grafos usando espacio hiperbólico para recuperar conocimiento jerárquico. Resultados superiores en zero-shot.
Flujos Wasserstein Acelerados para Optimización Multiobjetivo
Descubre cómo el nuevo algoritmo A-MWGraD acelera la optimización multiobjetivo en espacios de Wasserstein, logrando convergencia O(1/t²) y mejor muestreo.
HiPPO Zoo: Memoria Explícita para Modelos de Estado Interpretables
Descubre cómo las extensiones del framework HiPPO ofrecen memoria adaptativa y asociativa en modelos de espacio de estado, manteniendo la interpretabilidad. Un
Más allá de la memoria en tiempo de test: control óptimo para LLM
Descubre cómo la nueva capa TTC integra control óptimo en LLMs, mejorando el razonamiento matemático hasta un 27.8% en benchmarks como MATH-500. Una innovación
Regresión local dinámica de curvas de Fréchet en variedades
Aprende cómo la regresión local Fréchet predice curvas en variedades Riemannianas, aplicada al campo magnético terrestre con datos del satélite MAGSAT.
IsoCLIP: Descomponiendo Proyectores CLIP para Alineación Intra-modal Eficiente
IsoCLIP mejora la alineación intra-modal en CLIP sin reentrenar, reduciendo latencia y superando métodos existentes en recuperación y clasificación.
ShapDBM: Explorando Mapas de Fronteras de Decisión en el Espacio Shapley
ShapDBM transforma datos al espacio Shapley para crear mapas de fronteras de decisión más compactos, precisos y fáciles de interpretar. Mejora la visualización de clasificación.
Clasificación binaria: pública y privada con predictores en espacios métricos
Clasificación binaria con Proto-NN: consistencia universal y privacidad diferencial local con ruido de Laplace.
Autoencoders Variacionales Hipersféricos con Cauchy Esférica Eficiente
VAEs hipersféricos con Cauchy esférica: más eficiente y estable que vMF. Ideal para datos complejos.
Aprendizaje profundo extremo a extremo para predecir salidas en espacios métricos
E2M revoluciona la predicción de datos no euclidianos con deep learning. Conoce su teoría, rendimiento y aplicaciones en mortalidad y tráfico.
Catch-Only-One: ejemplos no transferibles para autorización de modelos
Descubre cómo los ejemplos no transferibles recodifican datos para que solo el modelo autorizado los interprete, evitando el uso indebido por modelos no autoriz
Colaboración latente en sistemas multi-agente
Descubre cómo LatentMAS permite a agentes LLM colaborar directamente en el espacio latente, mejorando precisión hasta 14.6% y acelerando inferencia 4x sin necesidad de texto. Código abierto.
Optimización estocástica riemanniana para reducción suficiente de dimensión
Aprende cómo SMAVE optimiza la reducción de dimensionalidad con gradiente riemanniano estocástico, superando a RMAVE en velocidad y precisión.
Factorización de Tucker Neural Guiada por Espectro
Descubre SG-NTF, un innovador método de factorización de Tucker guiado por espectro para completar tensores de alta dimensión e incompletos con eficiencia paramétrica.
Aproximación eficiente de operadores neurales codificador-decodificador mediante espacios de variación
Aprende cómo los espacios de variación optimizan la aproximación de operadores neurales codificador-decodificador, con garantías de convergencia.
IstGPT: Detección de anomalías espacio-temporales con LLMs
Descubre IstGPT, la primera herramienta de detección de anomalías basada en LLMs y grafos para proteger sistemas industriales en tiempo real contra ataques ICS.
Corrigiendo la Falacia Euclidiana en Políticas VLA con Lie Diffuser Actor
Lie Diffuser Actor corrige la falacia euclidiana en políticas VLA usando difusión en el espacio tangente de SE(3). Mejora un 7.3% en CALVIN ABC→D.
Redes Neuronales Recurrentes Guiadas por Física para Predicción Multietapa
Descubre cómo las redes neuronales recurrentes guiadas por física mejoran la predicción multietapa, incluso con datos limitados y modelos imperfectos.
Autoencoder de varianza ordenada para descubrir relaciones no lineales estáticas
Descubre cómo extraer relaciones estáticas no lineales de datos no etiquetados con autoencoder de varianza ordenada. Ideal para optimización en tiempo real.