MOSAIC: aprendizaje continuo para evaluar el Parkinson con sensores
Descubre MOSAIC, un framework de aprendizaje continuo que supera los desafíos de nuevos sensores en la evaluación del Parkinson.
#modalidad
MOSAIC: Aprendizaje continuo incremental adaptado a modalidades para Parkinson
Descubre MOSAIC, un marco de aprendizaje continuo que adapta cada modalidad de sensor para evaluar la marcha en Parkinson evitando el olvido.
Modelado de conceptos enmascarados entre modalidades: MACCO
Descubre MACCO, un innovador marco que mejora la comprensión composicional en modelos visión-lenguaje como CLIP, superando el comportamiento de 'bolsa de palabras'.
HYDRA-X: Modelo multimodal unificado con tokenizador visual holístico
HYDRA-X unifica tokenización de imágenes y video en un solo ViT. Mejora edición y comprensión multimodal. ¡Descubre cómo!
Diseñando grupos focales con IA: manual de roles y modalidades
Descubre cómo la IA transforma los grupos focales en investigación de diseño. Un manual de roles y modalidades para optimizar la moderación.
Recuperación del Mundo Latente en Aprendizaje Multimodal Incompleto
LWR: aprendizaje multimodal robusto sin reconstruir datos faltantes. Mejora clasificación de cáncer y predicción de supervivencia con multi-omics incompletos.
DeRA-MOS: Optimizando evaluación texto-música con ranking desacoplado
DeRA-MOS optimiza la evaluación texto-música con ranking desacoplado y alineación de modalidades para métricas más precisas.
Tokenizaciones de Campos Neurales con Jerarquía y Localidad
LH-NeF tokeniza señales continuas con jerarquía y localidad, usando 42x menos memoria y logrando reconstrucciones de alta calidad en múltiples modalidades.
Tokenización de campos neurales con jerarquía y prioridad de localidad espacial
LH-NeF: tokenización jerárquica y local de campos neurales con 42x menos memoria y mayor rendimiento en imágenes, formas 3D y climáticos.
MMBU: Benchmark masivo multimodal biomédico para modelos visión-lenguaje
Descubre MMBU, el mayor benchmark biomédico multimodal que evalúa la percepción de modelos de IA en 35 submodalidades. ¿Qué tan precisos son los VLMs?
Planificación espacial visual con autodestilación de brecha de modalidad
MGSD mejora la planificación espacial visual un 19% mediante autodestilación consciente de brecha de modalidad, cerrando la brecha percepción-razonamiento.
Ser multimodal o no: recuperación audiovisual adaptativa con detección activa
Descubre cómo la detección activa de modalidad permite recuperar personas en archivos de video con precisión superior al 94%, superando sistemas unimodales y fijos.
Diagnóstico espectral de desbalance en modelos visión-lenguaje médico
SAS revela asimetrías en modelos visión-lenguaje médicos, midiendo desequilibrio de modalidad. Útil para diagnóstico práctico en IA clínica.
Folded Transport MCMC: Inferencia Bayesiana para Modelos Simétricos
Descubre cómo FolT-MCMC certifica inferencias en modelos bayesianos simétricos, reduciendo multimodalidad hasta 145x. Aplicación en datos de tifón.
Escala de datos, complejidad y modalidades en generalización visual
Aprende cómo escala de datos, complejidad y modalidades afectan la generalización visual en IA. Resultados clave de un estudio empírico.
scTranslation: benchmark completo para traducción multiómica unicelular
scTranslation: benchmark integral para traducción multiómica unicelular. Evalúa modelos con datasets y métricas, analizando selección de características y pocos ejemplos. ¡Descubre insights clave!
Ajuste de instrucción visual alinea modalidades por abstracción
Descubre cómo el ajuste visual alinea imágenes y texto en modelos de lenguaje, optimizando el rendimiento multimodal sin aumentar el tiempo de entrenamiento.
Revisión y evaluación de avances en inteligencia 3D multimodal
Descubre los últimos avances y métodos en inteligencia 3D multimodal. Revisión exhaustiva de benchmarks y desafíos clave para la conducción autónoma y simulación.
MASER: Enrutamiento Adaptativo de Modalidades para IA Espacial 3D
MASER: un framework que selecciona la mejor modalidad para responder preguntas espaciales 3D con alta precisión. Basado en Open3D-VQA.
Interacción de modalidades en MLLMs: descomposición parcial
Entiende cómo la PID descompone la interacción entre modalidades en MLLMs, identificando sinergia y redundancia. Clave para mejorar razonamiento y grounding en IA.