Cuando más datos no ayudan: límites de la adaptación en aprendizaje multitarea
¿Más datos siempre mejoran el aprendizaje multitarea? Un nuevo estudio demuestra que no. Conoce los límites insuperables de la adaptación y el teorema de no-free-lunch.
#límites
Enfoque de perturbación para bandidos lineales
Descubre cómo un enfoque de perturbación logra arrepentimiento óptimo en bandidos lineales no restringidos, con nuevas garantías de alta probabilidad y tasas adaptativas.
¿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!
Límites de error para un estimador de deriva basado en modelos de difusión
Analizamos las cotas de error teóricas de un estimador de deriva basado en modelos de difusión, descomponiendo el riesgo en discretización, aproximación de score, inicialización y varianza.
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 de longitud en transformers
Descubre por qué no existen límites computables de generalización de longitud para transformers y C-RASP, y cómo afecta al aprendizaje automático.
Garantías probabilísticas de rendimiento para refuerzo multitarea
Descubre garantías de rendimiento para políticas multitarea en tareas no vistas. Método que combina rollouts y generalización con alta confianza.
LastAct: Localización guiada por trayectorias de la última actividad
Descubre cómo LastAct reconoce la última actividad en hogares inteligentes sin contaminación por ventanas mixtas, mejorando la precisión en tiempo real.
Aprende tokenización de extremo a extremo con aprendizaje por refuerzo
Descubre cómo usar aprendizaje por refuerzo para aprender tokenización end-to-end, mejorando el rendimiento de modelos de lenguaje a gran escala.
Regresión semisupervisada con proxy ruidoso: límites y generalización
Nuevo estimador en dos etapas supera a métodos supervisados en regresión con proxy ruidoso, aprovechando datos no etiquetados para límites de generalización.
Autoevaluación de capacidades: enseñar a los LLM a conocer sus límites
Aprende cómo la autoevaluación de capacidades en LLMs mejora su fiabilidad y permite delegar tareas de forma inteligente.
La fontanería de agentes IA: límites, reintentos y presupuestos
Descubre cómo evitar fallos en agentes de IA en producción: límites de tasa, reintentos, timeouts y presupuestos de tokens.
DiffuSent: marco de difusión unificado para análisis de sentimiento por aspectos
DiffuSent revoluciona ABSA con difusión no autorregresiva: mayor precisión en tripletes multi-palabra y hasta 181x más rápido.
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.
Límites inferiores teóricos para optimización estocástica con bits limitados
Descubre cómo los límites informacionales afectan la optimización estocástica con gradientes de baja precisión: reducción a estimación gaussiana.
¿Qué es la seguridad Sandbox?
Descubre los fundamentos de la seguridad Sandbox: aislamiento, filtrado de syscalls, segmentación de red, límites de recursos y monitoreo. Crucial para agentes de IA y contenedores.
CobSeg: Modelado de Límites de Coherencia para Segmentación de Diálogos
CobSeg mejora la segmentación de temas en diálogos sin LLM. Reduce errores en benchmarks. Ideal para apps humano-IA.
Descomposición de tipos de fraude y límites de detección por clase
Descubre por qué tratar el fraude como homogéneo es un error. Taxonomía de 5 clases de fraudes con límites de detección específicos en pagos.
Convergencia global CES: límites de campo medio a concentración semiclásica
La CES logra convergencia global en optimización estocástica mediante límites de campo medio y concentración semiclásica, superando colapsos de varianza.
Transporte Óptimo por Minibatch y Límites de Perplejidad en Flujo Discreto
Descubre cómo el transporte óptimo por minibatch reduce hasta 32 veces las transiciones en flujos discretos, mejorando la perplejidad sin perder diversidad.