DLLM-JEPA: Arquitectura JEPA para Modelos de Lenguaje con Difusión Enmascarada
DLLM-JEPA: nueva arquitectura que combina JEPA y difusión enmascarada para reducir FLOPs un 33% y ganar hasta 18.7% en precisión.
#fusión
Difusión de imágenes con geometría explícita del manifold de datos
MIND: modelo de difusión con geometría explícita del manifold. Reduce FID a 2.06 con solo 130M parámetros, superando a LlamaGen-3B. ¡Descubre cómo!
DiffCrossGait: Alineación Trayectorial para Reconocimiento de Marcha 2D-3D
DiffCrossGait: alineación de trayectorias para reconocimiento de marcha 2D-3D con difusión latente. Logra rendimiento puntero sin sobrecarga de inferencia.
Modelo fundado en física para MRI de difusión cuantitativa
PIGMENT: modelo de IA informado por física para MRI de difusión cuantitativa. Permite mapear microestructura cerebral con datos escasos. Ideal para diagnóstico.
UF-AMA: marco unificado para reconocimiento multimodal de emociones
Descubre UF-AMA, un marco unificado que integra EEG y eye-tracking para reconocer emociones a través de sujetos y sesiones, logrando rendimiento SOTA.
Más allá de la aumentación: Score guiado para detectar depresión con EEG
Nuevo método de clasificación guiada por puntuación detecta depresión con EEG sin aumentación de datos, mejorando precisión.
DSL-LLaDA: Denoising Continuo para Modelos de Difusión Enmascarados de 8B
DSL-LLaDA adapta LLaDA para denoising continuo, evitando el compromiso longitud/calidad. Obtiene el mejor ROUGE-1 en resumen con pocos pasos.
Mapas de Flujo Estocásticos Fuertes
Descubre cómo los Strong Stochastic Flow Maps revolucionan el muestreo en modelos de difusión, permitiendo generar imágenes y simular sistemas moleculares en pocos pasos.
Política de Deriva Implícita: acciones en un paso con geometría condicional
IDP: genera acciones en un paso con corrección del entrenamiento usando geometría condicional de experto. Ideal para control robótico de alta frecuencia.
Soft-NBCE: Fusión de fragmentos ponderada por entropía para contextos largos
Soft-NBCE optimiza la inferencia de LLMs en contextos largos: fusión de fragmentos con pesos de entropía y destilación de consistencia para mayor precisión en razonamiento multi-salto.
Ignorabilidad topológica para efectos causales estructurales más allá de medias
Descubre cómo la topología de datos permite medir efectos causales que van más allá del promedio, usando homología persistente y firmas de Euler.
Ajuste fino de difusión molecular con RL y muestreo rápido
FTDiff usa RL para ajustar modelos de difusión y generar moléculas válidas para diseño de fármacos basado en estructura.
Regresión Imbalanceada Híbrida con Equilibrio de Datos y Algoritmo
Descubre cómo un marco híbrido unifica equilibrio de datos y algoritmo para mejorar la predicción en regresión con clases desbalanceadas. Resultados superiores en benchmarks.
DeepIPCv3: Evitando cruces repentinos de peatones con fusión multimodal
DeepIPCv3 revoluciona la seguridad autónoma: fusión de sensores y eventos para evitar cruces de peatones.
DiffuSent: marco de difusión unificado para análisis de sentimiento por aspectos
DiffuSent revoluciona ABSA con difusión no autorregresiva: mayor precisión en tripletes multi-palabra y hasta 181x más rápido.
E4GEN: Generación explicable de series temporales con eventos extremos
Explora E4GEN, un innovador marco de difusión explicable para generar series temporales realistas que capturan eventos extremos. Mejora la fidelidad general y de extremos.
Difusión temporal basada en desenredo de preferencias para recomendación generativa
TDPM: difusión temporal basada en desenredo de preferencias mejora la recomendación generativa un 29% en precisión. ¡Descúbrelo!
FLARE: Difusión para Modelos de Lenguaje Híbrido
FLARE transforma modelos de lenguaje híbridos en modelos de difusión, unificando inferencia paralela y autoregresiva en un solo checkpoint. Mejora el rendimiento y reduce la latencia.
Detección colaborativa de objetos espaciales con múltiples satélites LEO
Aumenta la detección de objetos espaciales un 46% con fusión multivista de satélites LEO. Mejora la seguridad orbital.
RA-LWLM: Localización In-Context Mejorada con Recuperación para Redes 6G
Descubre cómo RA-LWLM logra localización 6G adaptativa sin reentrenamiento usando recuperación de contexto