AugMask: entrenamiento de modelos de difusión con datos tabulares incompletos
Descubre AugMask: entrena modelos de difusión en datos tabulares incompletos con aumento estocástico. Mejora la generación de datos.
#modelos de difusión
Reglas tipo grafo para razonamiento en KGs con modelos de difusión
Descubre cómo GRiD usa modelos de difusión y aprendizaje por refuerzo para generar reglas tipo grafo, mejorando el razonamiento en grafos de conocimiento con resultados competitivos.
dgMARK: Marcado de Agua Guiado por Decodificación para Modelos de Lenguaje de Difusión
Descubre dgMARK: el nuevo marcado de agua guiado por decodificación para modelos de difusión. Protege tu IA fácilmente.
Ptychografía ciega a la posición: viabilidad con inferencia variacional
Descubre cómo la inferencia variacional con modelos de difusión permite reconstruir imágenes en ptychografía ciega a la posición, incluso con ruido. Resultados prometedores.
Cuantificación de la propagación de errores y colapso en modelos de difusión
Analizamos la propagación de errores en modelos de difusión con datos sintéticos. Primeras cotas inferiores de divergencia y regímenes de deriva.
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.
PECKER: Borrado eficiente de conocimiento en modelos de difusión
PECKER: método eficiente de desaprendizaje para modelos de difusión. Reduce el tiempo de entrenamiento y mejora el borrado selectivo de conocimiento.
Cómo el escalamiento en inferencia beneficia el preentrenamiento generativo
El escalamiento en inferencia mejora el preentrenamiento generativo, superando la falsa dicotomía entre autoregresión y difusión.
Borrados, no olvidados: backdoors eluden eliminación de conceptos
Descubre cómo los backdoors pueden eludir la eliminación de conceptos en modelos de IA, exponiendo contenido nocivo hasta un 82% de efectividad. ¡Infórmate!
Recocido Autorregulado en Modelos de Difusión de Cola Pesada
Aprende cómo el recocido autorregulado en modelos de difusión de cola pesada mejora el muestreo adaptativo. Optimiza la generación con SDE.
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.
Deep Learning para mejorar el mapeo de inundaciones por satélite
Descubre cómo el Deep Learning y los modelos de difusión eliminan nubes en imágenes satelitales para mejorar el mapeo de inundaciones y la gestión de desastres.
Reconsiderando la supervisión posicional en modelos de difusión enmascarada
Los modelos de difusión enmascarada (MDLM) son sensibles a pequeños desplazamientos posicionales. Descubre cómo CTC mejora el ajuste fino y supera a la entropía cruzada en cuatro benchmarks.
La firma entrópica de la especiación en modelos de difusión
Descubre cómo la entropía condicional de clases revela los momentos clave donde los modelos de difusión forman estructuras semánticas. Un nuevo enfoque para control temporal.
Comparativa de síntesis de ultrasonido intraoperatorio a RM en cirugía cerebral
Primer benchmark que compara 48 modelos de síntesis ioUS a RM para cirugía cerebral. Descubre qué arquitectura (GAN, difusión) optimiza la segmentación tumoral.
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.
SurrogateSHAP: Atribución de contribuyentes sin reentrenamiento para modelos T2I
Aprende cómo SurrogateSHAP atribuye contribuyentes en modelos T2I sin reentrenamiento, reduciendo costos y mejorando transparencia.
Aprendiendo a muestrear de modelos de difusión mediante aprendizaje por refuerzo inverso
Aprende cómo el aprendizaje por refuerzo inverso optimiza el muestreo en modelos de difusión, reduciendo costos hasta 9x sin reentrenar. Descubre la técnica.
Difusión compleja paralela para generación escalable de series temporales
Descubre PaCoDi: difusión espectral para series temporales escalables. Supera a métodos tradicionales en calidad y eficiencia.
DAPD: Decodificación Paralela con Atención y Dependencias para LLMs de Difusión
Descubre cómo DAPD mejora la precisión y velocidad en LLMs de difusión mediante decodificación paralela consciente de dependencias sin reentrenamiento.