Agente web automejorado mediante exploración cognitiva
SCALE permite a agentes web automejorar mediante exploración cognitiva, superando limitaciones en entornos dinámicos. Mejora el rendimiento de MLLMs.
#generalización
Modelado latente de compañeros en modelos mundiales para MARL
¿Cómo mejoran los modelos mundiales con teoría de la mente la coordinación multiagente en entornos parcialmente observables?
Reutilización de habilidades como compresión en RL agentivo
ReuseRL aplica el principio de compresión para que agentes de IA generalicen mejor. Aumenta el éxito en ALFWorld y TextWorld. ¡Descúbrelo!
Cabezas de Atención Posicional vs Simbólica: Dinámicas y Generalización
Descubre cómo las cabezas de atención posicionales y simbólicas aprenden en Transformers, su geometría RoPE y generalización de longitud.
Machine Learning de Grafos en la Era de los LLMs
Los LLMs revolucionan el Machine Learning de Grafos: mejoran características, reducen datos etiquetados y potencian el razonamiento. Descubre cómo.
Evaluación de generalización semántica en LLMs con construcciones frasales
Estudio revela que los LLMs como GPT-o1 fallan al generalizar construcciones frasales sintácticamente idénticas, con una caída de rendimiento del 40%.
Condensación eficiente y escalable de grafos con preservación de estructura
Conoce SP-ESGC: método eficiente y escalable para condensar grafos preservando estructura. Mejora generalización y reduce costos computacionales.
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
Asignar y Sumar: Estudio mecanicista de aritmética composicional
Estudio mecanicista revela cómo los transformers aprenden aritmética modular y asignación de variables para generalizar combinaciones no vistas. ¡Entra!
Avances y desafíos en meta-aprendizaje: una revisión técnica
Descubre los avances y desafíos del meta-aprendizaje en IA. Revisión técnica de técnicas, sinergias con otras áreas y aplicaciones para datos escasos.
Arquitecturas Neurales Functoriales a partir de Tipos Inductivos Superiores
Nuevas arquitecturas functoriales basadas en HITs logran generalización composicional superior, con mejoras de hasta 10x y reducción del 46% de error.
REAL: Aprendizaje por Refuerzo Consciente de Regresión para Juez LLM
REAL: nuevo método de RL con regresión que mejora la evaluación de LLMs. Aumenta correlación hasta +18. Ideal para desarrolladores de IA.
Colapso de representación en el entrenamiento secuencial posterior de LLMs
Descubre cómo el entrenamiento secuencial de LLMs provoca colapso de representación y qué intervenciones pueden preservar la plasticidad y la generalización.
Adaptador Variacional para Representación de Similitud Multimodal
Descubre cómo el Adaptador Variacional mejora la similitud multimodal resolviendo falsos negativos y potenciando la generalización en modelos de visión-lenguaje
Selección adaptativa de subespacios en la variedad de Stiefel para EEG
Descubre cómo el enrutamiento dinámico en la variedad de Stiefel mejora la decodificación EEG entre sujetos, superando limitaciones de adaptación de dominio sin necesidad de datos de calibración.
SWIM: Imitación de cuerpo completo para natación
SWIM: nuevo método de imitación para animación de natación. Aprende de un solo movimiento, se adapta a entornos y estilos. Eficiente, robusto y generalizable.
Más allá de la clasificación: enrutamiento dinámico en recuperación multimodal
Descubre cómo el enrutamiento dinámico de adaptadores mejora la recuperación multimodal continua, superando métodos tradicionales. Ideal para IA y visión.
Aprendiendo representaciones latentes cardíacas en el espacio del vectorcardiograma
Descubre cómo LVCG aprende representaciones cardíacas en el espacio VCG, mejorando robustez y generalización frente a métodos tradicionales de ECG.
Predicción práctica de canal entre bandas para AI-RAN con deep unfolding
Descubre GUIDE, deep unfolding guiado por física: 2.75x más ganancia de beamforming que IA 1610x más rápido que modelos basados en física, sin reentrenamiento.
Minimización con Conciencia de Inconsistencia para Mejorar la Generalización
Descubre cómo el nuevo método IAM usa la inconsistencia local para mejorar la generalización en modelos de deep learning, incluso sin etiquetas. Optimiza tu entrenamiento.