Ataques de caja negra, adaptativos y eficientes para romper LLMs
Nuevo ataque IHO vulnera LLMs incluso con defensas avanzadas. Evalúa robustez adversarial de forma eficiente y transferible. ¡Descúbrelo!
#fusión
Síntesis de poblaciones virtuales con difusión latente y Fourier
Descubre cómo 4D F-MeshLDM genera poblaciones virtuales cardíacas realistas usando difusión latente y Fourier, superando a los modelos actuales para ensayos in-silico.
Adquisición de Nanoleaf por SwitchBot: más que iluminación
Nanoleaf es adquirida por SwitchBot en una fusión que promete nuevas integraciones de productos para el hogar inteligente. Conoce los detalles.
La codicia es buena: perspectiva unificadora de generación guiada
Descubre cómo la perspectiva codiciosa unifica dos técnicas de guía en generación. Ahorra cómputo sin perder precisión. Ideal para modelos de difusión.
Rex: Familia de solvers Runge-Kutta exponenciales reversibles
Descubre Rex: solvers reversibles para ODE/SDE con precisión casi de máquina en generación y edición de imágenes.
dLLM-Cache: Caché Adaptativa para Modelos de Lenguaje con Difusión
dLLM-Cache acelera hasta 9x modelos de difusión con caché adaptativa, sin entrenamiento y con latencia cercana a modelos autoregresivos.
Modelos de difusión no idénticos para canales MIMO-OFDM
Descubre cómo los modelos de difusión no idénticos mejoran la generación de canales MIMO-OFDM, manejando la confiabilidad variable de cada subportadora.
Wavelet Fourier Diffuser: modelo de difusión consciente de frecuencias para RL
Descubre cómo Wavelet Fourier Diffuser mejora el aprendizaje por refuerzo offline al corregir desplazamientos de frecuencia. Resultados superiores en D4RL.
Planificar, Verificar y Completar: Decodificación Paralela en Modelos de Difusión
Descubre PVF, un nuevo método de decodificación paralela para modelos de difusión que reduce hasta un 65% las evaluaciones de función sin perder precisión.
Modelos Locales y Globales para RL Eficiente de Primer Orden
Aprende cómo la técnica de modelos mundiales acoplados permite entrenar RL de forma eficiente sin simuladores, usando difusión y gradientes de primer orden para tareas de manipulación.
Modelos de difusión con información física en espacio espectral
Descubre cómo los modelos de difusión en espacio espectral integran leyes físicas para resolver PDEs con eficiencia y precisión. Ideal para ingeniería y ciencia.
Difusión sin Ajuste Fino para Generar Cristales Inorgánicos
Descubre cómo un modelo de difusión sin ajuste fino genera estructuras cristalinas inorgánicas con restricciones adaptativas, validando estabilidad termodinámica. ¡Innovación en ciencia de materiales!
¿Qué aprenden los estudiantes? Análisis del conocimiento oscuro
Descubre cómo la Destilación de Confusión (CD) mejora el aprendizaje de modelos sin profesor, superando a otros métodos en CIFAR-100.
RMPrior: priors de propagación y difusión para mapas de radio eficientes
Descubre RMPrior: acelera 2x la construcción de mapas de radio combinando priors de propagación y difusión, mejorando precisión y eficiencia. ¡Lee más!
¿Qué aprenden los estudiantes? Análisis de características en KD
Analizamos el aprendizaje de características en destilación de conocimiento y presentamos Confusion Distillation, una auto-destilación eficiente que supera a otros métodos en 1.2%.
RMPrior: Priors de propagación y refinamiento por difusión en mapas de radio
Aprende cómo RMPrior combina priors de propagación y difusión para crear mapas de radio 2x más rápido con mejor precisión.
Descomposición tensorial bayesiana con prior de modelo de difusión
DiffBCP combina descomposición tensorial bayesiana y modelos de difusión para reconstruir datos corruptos. Ideal para inpainting y denoising de imágenes.
Descomposición Tensorial Bayesiana con Prior de Difusión
DiffBCP combina descomposición tensorial bayesiana y modelos de difusión para reconstruir datos severamente corruptos. Ideal para inpainting y denoising de alta resolución.
Flicker-DDPM: Acelerando la difusión con ruido coloreado 1/f
Descubre Flicker-DDPM, un nuevo modelo de difusión que acelera el muestreo hasta 3.33 veces usando ruido coloreado 1/f, mejorando la calidad de generación.
Flicker-DDPM: Acelerando la difusión de denoising con ruido coloreado 1/f
Descubre cómo Flicker-DDPM acelera la generación de imágenes con ruido coloreado 1/f, reduciendo pasos de muestreo hasta 3 veces sin pérdida de calidad.