Descubre cómo flow matching mejora la reducción de escala de precipitación convectiva, superando a modelos de difusión en precisión espacial. Ideal para proyecciones climáticas de alta resolución.
Explora la revisión de modelos generativos, aprendizaje multimodal y bucles cerrados para el descubrimiento automatizado de materiales en diseño inverso.
Descubre cómo los modelos de difusión superan a métodos previos en clasificación zero-shot de sonidos ambientales, mejorando la generalización a clases no vistas.
Descubre cómo las GNN y modelos generativos basados en puntuaciones mejoran el beamforming híbrido al generar y limpiar CSI, logrando mayor robustez en comunicaciones inalámbricas.
RAIGen descubre atributos raros y subrepresentados en modelos de imagen como Stable Diffusion, sin categorías predefinidas. Mitiga sesgos y amplifica características minoritarias.
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.
Un nuevo marco de aprendizaje de mezclas graphon optimiza mixup y contraste en grafos. Logra precisión récord en 6 de 7 datasets. ¡Conoce los detalles!
Nuevo marco teórico para evaluar modelos generativos. Analizamos IPMs, divergencias y perplexidad. Ideal para investigadores en IA.
Descubre cómo MFPO acelera el entrenamiento e inferencia en aprendizaje por refuerzo superando limitaciones de modelos de difusión.
Aprende cómo la distribución de fuente condicional optimizada en Flow Matching acelera la convergencia hasta 3x y mejora la calidad en generación texto-imagen.
GLIDE mejora la predicción de eventos espacio-temporales usando difusión condicional guiada por grafos, reduciendo costos de muestreo inverso. Descubre cómo.
Descubre cómo GLIDE revoluciona la predicción de eventos espacio-temporales con difusión guiada por grafos, reduciendo costos y mejorando precisión.
Descubre cómo DiffusionRank usa modelos generativos de difusión para mejorar el aprendizaje por ranking en recuperación de información, superando métodos tradicionales.
Descubre cómo DrPO optimiza modelos generativos de un paso sin necesidad de gradientes de recompensa, mejorando la alineación y reduciendo el costo computacional.
Teselaciones de Voronoi para circuitos probabilísticos: inferencia exacta y aproximada en estimación de densidad. ¡Optimiza tus modelos!
AffordGen genera datos diversos para manipulación robótica con generalización zero-shot. Aumenta la eficiencia del aprendizaje por imitación.
Descubre CityTrajBench, el benchmark unificado para generar trayectorias vehiculares urbanas. Compara modelos como DiffTraj, GANs y flujos. Resultados multiobjetivo clave.
La inicialización con potencial de guía (DivIn) mejora la diversidad en modelos generativos. Superior en difusión y flujo matching.
Optimiza el submuestreo en compresión de sensores con modelos generativos de flujo. Logra reconstrucciones de imágenes de alta calidad con solo el 5% de datos. Ideal para MRI.
Descubre GEM: borrado conceptual en modelos generativos usando velocidad contrastiva y flujos rectificados para una eliminación segura.