GraphARC: un benchmark completo para razonamiento abstracto con grafos
Descubre GraphARC, benchmark de razonamiento abstracto en grafos. Revelamos la brecha entre comprensión y ejecución en modelos de IA.
#grafo
HypoAgent: Marco Agentic para Hipótesis Abductivas en Grafos
HypoAgent: marco agentic para generación interactiva de hipótesis abductivas en grafos de conocimiento. Logra similitud semántica estado del arte. ¡Descúbrelo!
Espacio de vista: aprendizaje de representaciones en grafos arbitrarios
Descubre cómo el espacio de vista permite aprender representaciones en grafos con características heterogéneas, superando modelos previos en un 8,93%.
TRINE: Motor FPGA adaptativo en tiempo real para IA multimodal
Descubre TRINE: motor FPGA adaptativo que acelera inferencia multimodal. Reduce latencia hasta 22.57x con solo 20-21W. Ideal para visión, lenguaje y grafos.
Mezcla de Expertos en GNN Condicionada por Grafos para Pronóstico de Tráfico
GC-MoE asigna expertos congelados personalizados a cada nodo vial, mejorando precisión en pronóstico de tráfico con solo 17K parámetros.
Escalando aprendizaje de grafos de alto orden con complejos de cliques maximales
Descubre cómo los complejos de cliques maximales escalan el aprendizaje de grafos de alto orden con mayor eficiencia y sin perder expresividad.
Escalado eficiente de GNNs con capas IO-aware
Descubre cómo optimizar GNNs con capas conscientes de E/S. Logra hasta 8.5x de aceleración y reduce la memoria hasta 76x. Implementaciones drop-in.
Unificación y optimización de valores de datos en selección secuencial
Descubre cómo un nuevo enfoque unifica y optimiza la valoración de datos usando decisiones secuenciales, mejorando la selección en LLM y benchmarks clásicos.
OLG++: Extensión semántica del Grafo de Lógica de Obligaciones
OLG++ extiende el grafo de obligaciones para modelar reglas legales complejas con excepciones y jerarquías. Ideal para consultas en regulaciones municipales.
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.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
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.
UniRTL: Unificando Código y Grafo para Representaciones RTL Robustas
Descubre cómo UniRTL integra código y grafos CDFG para crear representaciones robustas de RTL, acelerando el diseño de hardware con IA multimodal.
Más allá de tokens: calidad RTL con aprendizaje de grafos estructurales
Descubre StructRTL: un nuevo marco de aprendizaje de grafos auto-supervisado que mejora la estimación de calidad de diseños RTL, superando a métodos basados en tokens.
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.
DG-CoLearn: Un marco eficiente de aprendizaje colaborativo para grafos dinámicos
Descubre DG-CoLearn: acelera hasta 33.8x el aprendizaje en grafos dinámicos con privacidad estructural y mejora del 13% en precisión.
Einops gráficos: uniendo redes tensoriales y grafos de cómputo
Aprende cómo el cálculo gráfico einops permite demostraciones visuales de equivarianza y optimiza atención dispersa.
Escalado de datos multi-salto con selección de rutas restringida por grafos
Descubre cómo generar datos de entrenamiento multi-salto a escala usando restricciones de grafos, mejorando el razonamiento compuesto en LLMs. Resultados: Token F1 del 38.58% en contratos legales.
HYGENE: Un método de generación de hipergrafos basado en difusión
Descubre HYGENE, el primer método de generación de hipergrafos con difusión, capaz de crear estructuras realistas y diversas para investigación en IA.
Aggregation Buffer: Revisando DropEdge con un nuevo bloque de parámetros
Descubre cómo Aggregation Buffer mejora las GNNs superando las limitaciones de DropEdge, reduciendo sesgos y aumentando la robustez en aprendizaje supervisado.