GIF: Planificación inteligente para HPO en alta dimensionalidad
Descubre cómo el algoritmo GIF optimiza hiperparámetros en alta dimensión, logrando mejor convergencia y eficiencia.
#muestra
Revisando muestras positivas en aprendizaje contrastivo de grafos
El aprendizaje contrastivo de grafos (GCL) puede ser efectivo sin muestras positivas. Descubre cómo SPGCL aprovecha la energía de Dirichlet para mejorar el aprendizaje. ¡Lee el artículo!
Certificado conjunto de muestra finita para control de riesgo conforme selectivo
Descubre cómo el nuevo certificado de muestra finita para control de riesgo conforme selectivo mejora la aceptación certificada en un 22%.
Complejidad de Muestra de los Transformers
Descubre cómo se caracteriza la complejidad de muestra de los transformers y el aprendizaje por cadena de pensamiento. Un análisis profundo de la eficiencia en el entrenamiento.
Complejidad muestral de tokens en atención
Analizamos la tasa de convergencia de la atención al procesar secuencias largas de tokens y su impacto en la precisión. Datos sintéticos y reales.
GD completo supera a SGD de una pasada en aprendizaje de índice único
¡Descubre cómo el GD completo supera al SGD de una pasada! Logra recuperación con menos muestras en aprendizaje de índice único.
Wedge Sampling: completación tensorial con complejidad casi lineal
Descubre cómo Wedge Sampling optimiza la completación de tensores con complejidad casi lineal, cerrando la brecha estadístico-computacional.
Destilación adaptativa de coincidencias para generación en pocos pasos
Descubre cómo AMD optimiza la generación en pocos pasos evitando la Zona Prohibida, mejorando fidelidad y robustez en modelos como SDXL.
LOTTERY: Aprendizaje con muestras de referencia en pruebas asimétricas
LOTTERY ofrece un enfoque novedoso para pruebas de hipótesis cuando hay muchas muestras de referencia pero pocas de consulta. Aprende representaciones y controla errores. ¡Descúbrelo!
phepy: Benchmarks visuales y mejoras para detectores fuera de distribución
Descubre phepy, un benchmark visual para evaluar detectores OOD, y las mejoras como t-poking y ponderación que afinan la frontera ID-OOD.
Complejidad del aprendizaje por refuerzo offline con Q* y cobertura parcial
La combinación de Q* y Bellman completa no es suficiente para RL offline con cobertura parcial. Descubre el nuevo marco teórico y mejoras.
LLMs para clasificación desbalanceada: diversidad crucial
Descubre cómo un nuevo oversampling con LLMs genera muestras sintéticas diversas para clasificación desbalanceada. Supera a 8 métodos.
Trio: Pronóstico de series temporales con atención y prioridades causales
Descubre Trio, un innovador modelo que combina atención temporal-espacial-muestral y prioridades causales para mejorar la precisión en el pronóstico de series temporales multivariables.
Detección de cambios en sistemas dinámicos ruidosos con operadores empíricos
Descubre cómo detectar cambios en sistemas dinámicos ruidosos usando operadores de transferencia empíricos. Aprende el método con garantías de falsa alarma y aplicaciones en series temporales.
Trio: Predicción de series temporales con atención espacio-temporal y priors causales
Trio: nuevo modelo de IA para pronósticos de series temporales con atención triple y causalidad estructural. Mejora precisión en predicciones multivariadas.
SERNF: Ajuste eficiente de políticas diestras con flujos normalizantes
SERNF: ajuste fino eficiente de políticas diestras en robótica real. Usa flujos normalizantes y críticos por bloques para adaptación estable con pocas muestras.
Detección de cambios en mapas ruidosos con operadores empíricos
Descubre un método para detectar cambios en la densidad invariante de mapas de intervalo ruidosos usando operadores de transferencia empíricos y regularización. Con garantías de falsa alarma.
Marco adaptativo de limpieza de datos para etiquetas ruidosas
Descubre un marco auto-adaptativo que integra métricas locales, globales y dinámicas para detectar etiquetas ruidosas sin umbrales manuales, mejorando la precisión del modelo.
Agentes Adversarios: Ataques de Evasión con Aprendizaje por Refuerzo
Descubre cómo un agente de aprendizaje por refuerzo aprende a atacar modelos de IA con mayor eficacia, aumentando el éxito de ataques de evasión hasta un 13.2%.
Planificación de movimiento robótico de bajo nivel con transferencia zero-shot
Descubre cómo el método iCEM+TL mejora hasta un 23% el éxito en tareas de manipulación robótica mediante transferencia zero-shot, aplicable en robots reales.