UrbanFusion: Fusión multimodal para representaciones espaciales robustas
UrbanFusion combina imágenes, mapas y POI con fusión estocástica para representaciones espaciales robustas. Supera modelos previos en 41 tareas.
#fusión
SurrogateSHAP: Atribución de contribuyentes sin reentrenamiento para modelos T2I
Aprende cómo SurrogateSHAP atribuye contribuyentes en modelos T2I sin reentrenamiento, reduciendo costos y mejorando transparencia.
Aprendiendo a muestrear de modelos de difusión mediante aprendizaje por refuerzo inverso
Aprende cómo el aprendizaje por refuerzo inverso optimiza el muestreo en modelos de difusión, reduciendo costos hasta 9x sin reentrenar. Descubre la técnica.
Difusión compleja paralela para generación escalable de series temporales
Descubre PaCoDi: difusión espectral para series temporales escalables. Supera a métodos tradicionales en calidad y eficiencia.
Inferencia causal con PFN: consistencia frecuentista
¿Las PFN para inferencia causal son consistentes? Descubre cómo la calibración OSPC elimina el sesgo y logra estimaciones frecuentistas del ATE.
DAPD: Decodificación Paralela con Atención y Dependencias para LLMs de Difusión
Descubre cómo DAPD mejora la precisión y velocidad en LLMs de difusión mediante decodificación paralela consciente de dependencias sin reentrenamiento.
GUDA: Atribución grupal de datos de entrenamiento en modelos de difusión
GUDA: atribución grupal contrafactual eficiente para modelos de difusión. Usa desaprendizaje y es 100x más rápido que reentrenar con cada grupo eliminado.
Guía de Recompensa con Muestras Anticipadas para Escalado de Modelos de Difusión
Aprende cómo LiDAR acelera 9.5x la guía de recompensa en modelos de difusión, mejorando la alineación con intenciones humanas.
Mejor fuente, mejor flujo: Distribución condicional en Flow Matching
Aprende cómo la distribución de fuente condicional optimizada en Flow Matching acelera la convergencia hasta 3x y mejora la calidad en generación texto-imagen.
Enriquecimiento de datos para regresión simbólica con modelos de difusión
El enriquecimiento de datos con modelos de difusión guiados por física mejora el descubrimiento de ecuaciones en datos dispersos, sin experiencia experta.
LP-DS: Dirección de difusión con perturbación lagrangiana
LP-DS optimiza políticas generativas congeladas mediante perturbaciones en el espacio de ruido, logrando hasta un 25% más de retorno en robótica y locomoción.
GLIDE: Inferencia de Salto Guiada por Grafos para Difusión en Procesos Puntuales
GLIDE mejora la predicción de eventos espacio-temporales usando difusión condicional guiada por grafos, reduciendo costos de muestreo inverso. Descubre cómo.
GLIDE: Difusión con salto guiado por grafos en procesos espacio-temporales
Descubre cómo GLIDE revoluciona la predicción de eventos espacio-temporales con difusión guiada por grafos, reduciendo costos y mejorando precisión.
21cmEMUv3: emulador híbrido de observables del amanecer cósmico
Descubre 21cmEMUv3, emulador híbrido de difusión y LSTM que acelera la interpretación de observaciones del amanecer cósmico y reionización. Precisión subpercentual.
Generación molecular anticancerígena condicionada por genotipo
Generación molecular condicionada por genotipo usando IA para crear fármacos anticancerígenos personalizados, optimizando sensibilidad y síntesis.
Difusión calibrada con incertidumbre para generar moléculas 3D fiables
Descubre cómo UCD calibra la incertidumbre en modelos de difusión para generar moléculas 3D más fiables y precisas, mejorando la validez química.
MERIT: Ajuste descentralizado de instrucciones con fusión de pesos
Descubre MERIT: un método descentralizado que mejora el ajuste de instrucciones en modelos multimodales fusionando pesos sin comunicación intensiva. Resultados superiores al entrenamiento conjunto.
Marco teórico para autoaprendizaje en demostración de teoremas
Descubre el marco teórico para algoritmos de auto-play que logran crecimiento exponencial de teoremas probados, con mejora de diversidad usando similitud de difusión.
Aprendizaje Continuo como un Problema de Frontera Móvil Multifase
Stefan-CL aplica la física de fusión para resolver el dilema estabilidad-plasticidad, reduciendo el olvido casi a cero sin almacenar datos. Descúbrelo.
Síntesis realista de ruido reduce sesgo en estimación de microestructura tisular
Descubre cómo la síntesis realista de ruido en MRI de difusión reduce el sesgo y mejora la estimación de microestructura tisular con machine learning supervisado.