Muestreador basado en atención para modelos de lenguaje de difusión
Descubre cómo Attn-Sampler optimiza el muestreo en modelos de lenguaje de difusión, mejorando la calidad y el paralelismo. ¡Lee más!
#muestreo
SKMD: aprendizaje activo de potenciales interatómicos
Descubre cómo SKMD mejora el aprendizaje activo de potenciales interatómicos, equilibrando exploración y precisión en simulaciones moleculares. Ideal para MLIPs.
Revisión de amplificación de privacidad por submuestreo en DPSGD selectivo
Descubre cómo el nuevo algoritmo DPSR-CG logra privacidad diferencial rigurosa sin sacrificar el rendimiento del modelo en aprendizaje automático.
ALINC: Clasificación de Nodos Inductiva con Muestreo de Grafos
ALINC optimiza la clasificación de nodos inductiva seleccionando grafos completos. Ideal para química y diseño electrónico. ¡Aumenta tu eficiencia!
Corrección de co-área en problemas inversos con EDP
Descubre cómo la corrección de co-área mejora el muestreo posterior en problemas inversos de EDP, evitando sesgos que multiplican el error por 20. Conoce el método CoCoS.
Optimización de hiperparámetros con costo de muestreo reducido
Los priors informativos reducen hasta un 90% el costo de muestreo en optimización de hiperparámetros, manteniendo la calidad. Un avance para AutoML ecológico.
Mejora de MADDPG con inferencia de acciones y muestreo por importancia
Mejora el algoritmo MADDPG con inferencia de acciones y muestreo por importancia para optimizar la cooperación y exploración en entornos multiagente.
La pérdida no basta: condiciones de muestreo y sesgo inductivo
La pérdida no basta en aprendizaje contrastivo. Condiciones de muestreo y sesgo inductivo determinan la recuperación de representaciones latentes.
Privacidad Bayesiana de Membresía para Redes Neuronales de Grafos
Descubre cómo la Privacidad Bayesiana de Membresía (BMP) ofrece un análisis fino de la filtración de datos en GNNs, superando las métricas globales.
Recocido con semilla Rashomon: inferencia bayesiana robusta
El recocido con semilla Rashomon optimiza la inferencia bayesiana en diseños factoriales, superando multimodalidad y combinando evidencia con incertidumbre.
Principios de contracción global y local para mezcla MCMC
Descubre cómo los principios de contracción local y global aceleran la convergencia en algoritmos MCMC, con aplicaciones a Langevin y Metropolis-Hastings.
MCMC sin evaluar el objetivo: enfoque de variable auxiliar
Descubre cómo un nuevo marco unifica y mejora algoritmos MCMC usando variables auxiliares, sin necesidad de evaluar la distribución objetivo. Mejor rendimiento en datos sintéticos y reales.
Generación de textos largos confiables con rechazo de alucinaciones
El método SHARS reduce alucinaciones en generación de textos largos usando muestreo de rechazo. Mejora la consistencia factual sin recursos externos. ¡Descúbrelo!
FlashbackCL: Mitigando el Olvido Temporal en Aprendizaje Federado
FlashbackCL reduce el olvido temporal en aprendizaje federado hasta un 68% y mejora el rendimiento en datos no estacionarios. ¡Descubre su buffer de reproducción equilibrada!
Generando confianza en la optimización de caja negra: un marco integral para la explicabilidad
Mejora la transparencia en optimización de caja negra con IEMSO: métricas inclusivas que explican el proceso de surrogate optimization y aumentan la confianza.
RRISE: Inferencia Robusta de Radio mediante un Estimador Sustituto
¿Quieres certificar robustez en IA sin el coste del muestreo Monte Carlo? RRISE logra precisión comparable con solo un pase de red.
RMPrior: priors de propagación y difusión para mapas de radio eficientes
Descubre RMPrior: acelera 2x la construcción de mapas de radio combinando priors de propagación y difusión, mejorando precisión y eficiencia. ¡Lee más!
RMPrior: Priors de propagación y refinamiento por difusión en mapas de radio
Aprende cómo RMPrior combina priors de propagación y difusión para crear mapas de radio 2x más rápido con mejor precisión.
Descomposición tensorial bayesiana con prior de modelo de difusión
DiffBCP combina descomposición tensorial bayesiana y modelos de difusión para reconstruir datos corruptos. Ideal para inpainting y denoising de imágenes.
Descomposición Tensorial Bayesiana con Prior de Difusión
DiffBCP combina descomposición tensorial bayesiana y modelos de difusión para reconstruir datos severamente corruptos. Ideal para inpainting y denoising de alta resolución.