Clasificación binaria: pública y privada con predictores en espacios métricos
Clasificación binaria con Proto-NN: consistencia universal y privacidad diferencial local con ruido de Laplace.
#lap
Colapso de caminos generativos: criterio y corrección para difusión
El colapso de caminos marginales afecta la composición de expertos en difusión. Conoce el criterio de existencia y la corrección ACE para estabilizar la generación.
El grafo como regularización natural: revisitando la cuantización vectorial
Descubre cómo RGVQ evita el colapso del codebook en grafos usando regularización topológica y contrastiva para tokens más expresivos.
Evaluación de afirmaciones de colapso recursivo bajo control de FP
Nuevo benchmark Loopzero revela cómo evaluar advertencias de colapso recursivo con control de falsos positivos. ¿Funciona? Resultados sorprendentes.
Internalizar la temperatura: autodestilación para recalentar políticas en RL
Descubre cómo TS-OPSD recalienta políticas en RL sin profesor externo, restaurando entropía colapsada para mejorar el razonamiento de LLMs.
Compresión basada en tareas para localización y caracterización de emisores
Descubre cómo la compresión basada en tareas permite localizar y caracterizar múltiples emisores con solapamiento espectral, optimizando la red.
Relación señal-ruido no uniforme en REINFORCE
Descubre cómo la relación señal-ruido no uniforme en el estimador REINFORCE causa inestabilidad y colapso durante el entrenamiento en RL.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
MASCOT: Sistemas Multi-Agente para Compañeros Socio-Colaborativos
MASCOT mejora consistencia y diálogo en agentes multi-sistema, evitando redundancias. Descubre su optimización bi-nivel para compañeros socio-colaborativos.
Microsoft Build 2026: Todas las novedades sobre Windows, IA, RTX Spark y más
¡Microsoft Build 2026 ya está aquí! Novedades de Windows 11, IA, Project Solara y más. Sigue nuestra cobertura en vivo y descubre todo.
Optimización Bayesiana Preferencial Local
Descubre cómo la optimización bayesiana preferencial local supera limitaciones en alta dimensionalidad, reduciendo el arrepentimiento acumulativo en experimentos costosos.
El rol de la codificación de clases en el colapso neuronal
Analizamos cómo la codificación de etiquetas (one-hot) afecta el colapso neuronal en redes, con foco en el sesgo del clasificador y la pérdida MSE.
El mercado de laptops en Computex: Economía K y precios extremos
Descubre cómo la economía K divide el mercado de portátiles en Computex: precios disparados, opciones limitadas y el dilema entre Apple y Windows.
Intervención relacional en colapso funcional de LLMs
Investigación con Qwen3.5-4B: una intervención relacional en primera persona logra recuperar el comportamiento de un modelo colapsado, mientras que solo estructura o solo registro no bastan.
Diversidad sobre frecuencia: repensar uso de herramientas en agentes visuales
La diversidad en exploración supera a la frecuencia de uso de herramientas. Descubre el colapso y cómo la regularización de entropía mejora el razonamiento.
UR-JEPA: Rectificabilidad Uniforme como Regularizador en JEPA
UR-JEPA logra un 0.83% más de precisión que LeJEPA en Inet10 con menor varianza, y produce representaciones geométricamente distintas.
Recuperación consciente del solapamiento en RAG con SCP-HNSW
SCP-HNSW optimiza recuperación en RAG fragmentado: evita redundancia de evidencia. Auditoría industrial con 770 revisiones confirma calidad.
Colapso argumental: LLMs aplanan el debate público
Descubre cómo los LLMs reducen la diversidad de argumentos en debates públicos. Un estudio revela el 'colapso argumental' y sus implicaciones para el discurso social.
Métrica Decan: diversidad en escritura creativa con IA
Descubre cómo la métrica Decan mide la diversidad en textos creativos usando aprendizaje en contexto, detectando pérdida de diversidad en modelos de lenguaje.
Revisitando la edición paramétrica en LLMs: límites teóricos y evidencia
Descubre por qué la edición de parámetros en LLMs daña capacidades clave. Evidencia empírica muestra que la recuperación supera a la edición paramétrica.