Análisis de estabilidad de Sharpness-Aware Minimization
Descubre cómo el algoritmo SAM puede quedarse atrapado en puntos de silla y cómo el momentum y el tamaño de lote ayudan a mejorar su estabilidad y generalización.
#general
FedS2R: Generalización Federada One-Shot para Segmentación en Conducción Autónoma
Descubre FedS2R, el primer marco de generalización federada one-shot para segmentación semántica sintética-real en conducción autónoma, con mejoras en Cityscapes, BDD100K, Mapillary, IDD y ACDC.
Hacia un modelo fundacional de física
Descubre GPhyT, el primer modelo fundacional de física que aprende dinámicas complejas sin ecuaciones, superando a arquitecturas especializadas en múltiples dominios.
Repensando la evaluación de RL: ¿Los benchmarks revelan sus fallas?
Los benchmarks actuales no revelan las fallas de los métodos de RL en LLMs. Descubre el OPG y principios para evaluar la generalización.
La geometría del grokking: minimización de norma en la variedad de pérdida cero
Descubre cómo la minimización de norma en la variedad de pérdida cero explica el fenómeno grokking: generalización tardía tras memorización.
RoboBenchMart: Evaluación de robots en entornos minoristas
Descubre RoboBenchMart, un benchmark open-source para robots en entornos minoristas. Evalúa modelos VLA en tareas complejas con objetos del supermercado. ¿Están listos los robots para el retail?
¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!
Análisis de Clústeres con Remuestreo para Validación y Exploración (CARVE)
Descubre CARVE, un paquete open-source que valida y explora clústeres mediante remuestreo, superando a índices clásicos en datos de alta dimensión.
Corteza y subcorteza: roles distintos en el aprendizaje con memoria limitada
Descubre cómo la corteza y subcorteza trabajan juntas para optimizar el aprendizaje con memoria limitada. Una nueva teoría explica sus roles distintos.
Minimización adaptativa de nitidez con paso Polyak: planificador teórico
Descubre cómo el algoritmo SAM con paso Polyak mejora la generalización y reduce el ajuste de hiperparámetros, con garantías de convergencia teórica.
CORE-MTL: Repensando el equilibrio de gradientes con representaciones causales ortogonales
Descubre CORE-MTL, el nuevo enfoque de representaciones causales ortogonales que mejora la generalización en aprendizaje multitarea, reduce interferencias y supera métodos existentes.
Descenso Espejo Bajo Suavidad Generalizada
Descubre cómo el descenso espejo se adapta a suavidad generalizada para optimizar objetivos no suaves, con aplicaciones en entrenamiento de LLMs. ¡Conoce las nuevas garantías de convergencia!
Garantías estadísticas para sondas de inferencia de circuitos booleanos con bucle
Las sondas de razonamiento en circuitos booleanos con bucle ofrecen garantías estadísticas óptimas sin depender del tamaño del grafo. ¡Descubre más!
Transferencia Sim-to-Real con Redes de Actuadores Generalizadas
Primera transferencia sim-to-real exitosa para brazo robótico con músculos artificiales usando GenAN.
Interpolación constructiva y generalización en NODEs: control
Interpolación constructiva y generalización con NODEs semi-autónomas. Perspectiva de control para aprendizaje automático.
Aprendizaje Federado Bayesiano: Personalización, Dispersión y Agrupamiento
Descubre pFedBayes, sFedBayes y cFedBayes: técnicas bayesianas para personalizar, dispersar y agrupar en aprendizaje federado.
Computación cuántica de reservorios y límites de riesgo
Descubre cómo los límites de error basados en la complejidad de Rademacher permiten controlar la generalización en computación cuántica de reservorios, incluso con escalamiento exponencial de qubits.
Límites de generalización no vacíos para redes profundas sin modificar
Por primera vez, se demuestran cotas de generalización no triviales para redes profundas sin modificaciones, incluso con 600M parámetros. Análisis basado en la geometría de los datos.
¿Cuántos dominios bastan? La dimensión de fragmentación
Descubre cuántos dominios aleatorios necesitas recolectar para generalizar correctamente. Una nueva métrica, la dimensión de fragmentación, lo explica.
Generalización de los algoritmos Gibbs y Langevin Monte Carlo en el régimen de interpolación
Nuevas cotas de generalización para algoritmos Monte Carlo en el régimen de interpolación, con resultados en MNIST, CIFAR-10 y SVHN.