Descubre cómo el método Experience Blending mejora el aprendizaje continuo hasta un 13% al regularizar límites de decisión con datos de soporte generados mediante ruido diferencial.
Nuevo marco de optimización con restricciones mejora la predicción de estabilidad proteica, elevando correlación Spearman sin cambios arquitectónicos.
Nuevo método optimiza predicción de estabilidad proteica sin cambiar arquitectura y logra mayor robustez en datos fuera de distribución.
Descubre WIEN-INR: marco jerárquico mejora representaciones neuronales, preservando información de alta frecuencia en datos científicos con modelos compactos.
Aprende cómo SDIFP impone restricciones integrales en PINNs de alta dimensión sin mallas fijas, mejorando precisión y reduciendo costos.
RAM: una representación neuronal que predice la alcanzabilidad robótica en nanosegundos con un 86% de precisión, generalizando a morfologías no vistas.
Descubre Goal-Mem, un marco de razonamiento orientado a objetivos que mejora la memoria RAG en agentes conversacionales LLM, potenciando el razonamiento multi-hop y la inferencia implícita.
Descubre cómo los LLMs construyen grafos causales implícitos desde texto con descubrimiento de cadenas y sabiduría de masas. Evaluado con 1,560 pares.
Descubre cómo aceleramos la proyección de Birkhoff en hiperconexiones usando Newton y CUDA, logrando más de 20x de velocidad con precisión superior.
Descubre cómo SIREN, ReLU y Fourier-Features afectan la especificidad de transferencia en redes neuronales implícitas.
Descubre cómo la arquitectura afecta la transferencia en redes implícitas. Estudio comparativo de SIREN, ReLU y Fourier para modelos científicos.
Descubre cómo el entrenamiento consciente de puntuación permite generar música de alta calidad con pocos datos. Nuestro modelo FluxAudio logró el 2º puesto en ICME 2026.
El aprendizaje no es solo minimizar la norma o la nitidez. Este estudio revela cómo la tasa de aprendizaje equilibra ambos sesgos implícitos. ¡Lee más!
Descubre cómo la reparametrización con campos neuronales estabiliza 4DVAR sin datos de entrenamiento, mejorando precisión y velocidad en asimilación de datos.
Un arnés local de prioridades estadísticas permite a agentes personales aprender preferencias implícitas, superando a la memoria tradicional.
Marco diferenciable con redes neuronales implícitas mejora inversión completa y sin fase, ofreciendo precisión y robustez incluso con mediciones ruidosas.
Alinea modelos de lenguaje con preferencias implícitas usando razonamiento defensivo y aprendizaje por refuerzo. CDRA mejora personalización y seguridad.
Descubre cómo CDRA alinea LLMs con las preferencias ocultas de los usuarios mediante razonamiento defensivo y crítico. Mejora personalización y seguridad.
Descubre cómo alinear tu LLM con preferencias sin función de enlace conocida usando un modelo semiparamétrico de índice único.
Descubre cómo optimizar la distribución de probabilidad de máscara en modelos de difusión enmascarada mejora la generalización y el rendimiento en modelos de hasta 8B parámetros.