Predicción de enlaces o perdición: inestabilidad en embeddings de grafos
Los modelos de embedding (KGEM) generan predicciones inestables en grafos de conocimiento. Las semillas aleatorias y la configuración afectan la fiabilidad. ¿Cómo solucionarlo?
#mil
Similitud funcional con ensamblado consciente de invarianza
Descubre cómo la invarianza en el ensamblado de modelos revela discrepancias funcionales ocultas y mejora la evaluación de similitud en deep learning.
Modelo de Bytes Grandes: Enseñanza a LLMs de Código Compilado
Descubre el primer LLM nativo en bytes que analiza malware directamente desde código compilado, con hasta 98% de precisión en clasificación de arquitecturas.
Replanteando representaciones textuales moleculares para LLMs: Estudio empírico
Estudio empírico revela que ninguna representación molecular es universalmente mejor para LLMs. Descubre cuál usar según la tarea química.
Modelado de orden reducido de Hamiltonianos con redes simplécticas
Descubre cómo las redes neuronales simplécticas preservan la estructura hamiltoniana en modelos reducidos, logrando simulaciones precisas y estables a largo plazo.
Benchmark de inferencia sin verosimilitud: redes neuronales y transporte óptimo
¿Cuál es el mejor método de inferencia sin verosimilitud? Comparamos redes neuronales y transporte óptimo en datos extremos y discretos.
Entrata: primer IPO de software PE con 23% de crecimiento, sin aceleración
Entrata, con $575M ARR y 23% de crecimiento, abre la ola de IPOs de software PE. El problema: casi ninguno acelera. Análisis y valoración.
Efectos de perturbaciones en precisión y equidad entre individuos similares
Descubre cómo las perturbaciones semánticas afectan precisión y equidad en modelos de IA. El framework RIFair expone vulnerabilidades ocultas para una evaluación confiable.
Identificabilidad en Modelos de Markov con Efectos Instantáneos
Descubre cómo identificar regímenes latentes y estructuras causales en series temporales no estacionarias con modelos de Markov y efectos instantáneos.
Rendir más con menos: Muestreo para pérdida por pares
Descubre cómo el muestreo directo de pares reduce costos computacionales en pérdida por pares, manteniendo precisión. Técnicas basadas en teoría de encuestas para IA escalable.
Aprendizaje eficiente de Hamiltonianos, estructura y traza de estados Gaussianos
Aprende sobre el nuevo protocolo para aprendizaje eficiente de Hamiltonianos de estados Gaussianos usando mediciones heterodinas e inversión local.
Explotando similitudes en A/B testing con estimación off-policy
Descubre cómo aprovechar las similitudes entre sistemas en pruebas A/B usando estimación off-policy para obtener resultados más precisos y robustos.
Aprendizaje off-policy: optimización > estimación en grandes acciones
Descubre por qué la optimización es clave en el aprendizaje off-policy con grandes espacios de acción, y cómo los pesos de verosimilitud simplifican el proceso.
Pruebas privadas casi óptimas para hipótesis simples y MLR
Descubre pruebas privadas casi óptimas para hipótesis simples y MLR con privacidad diferencial gaussiana. Resultados comparables a pruebas no privadas.
Verosimilitud empírica con IA generativa
Descubre cómo la verosimilitud empírica con IA generativa permite inferencias robustas usando datos sintéticos. Método bayesiano eficiente.
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
FlowSDR: Reducción Suficiente de Dimensión vía Flujos Normalizantes Condicionales
FlowSDR: un método basado en flujos normalizantes para reducción de dimensión suficiente que aprende proyección y densidad. Supera a técnicas clásicas en precisión.
Inferencia de heterogeneidad en partículas con Langevin de segundo orden
Aprende cómo un enfoque de máxima verosimilitud permite inferir heterogeneidad poblacional y modelos dinámicos desde trayectorias estocásticas de partículas.
d2: Mejora del razonamiento en modelos de difusión con estimación de trayectoria
Descubre d2, un marco de razonamiento para modelos de difusión que mejora el rendimiento en tareas lógicas y matemáticas, superando a RL tradicional.
Aprendizaje de dinámicas hamiltonianas a gran escala
Descubre RO-HNN: combina mecánica hamiltoniana y reducción de orden para aprender dinámicas complejas a gran escala con predicciones consistentes.