Replay de Lista Estable Canonicalizado para Aprendizaje Federado Privado
CSLR logra entre 3.9 y 5.6 puntos de mejora en aprendizaje continuo federado con privacidad diferencial. Optimiza NLP sin compartir datos.
#ngs
Evaluación de RAG agéntico en producción: métricas y herramientas
Guía para evaluar RAG con agentes en producción: métricas, herramientas y consejos para medir fidelidad, recuperación, latencia y costo.
Limitaciones teóricas de la predicción de enlaces basada en embeddings
Descubre las limitaciones teóricas de la predicción de enlaces basada en embeddings y cómo las capas no lineales mejoran el rendimiento en grafos densos.
Maximum Independent Set para la selección eficiente de prompts en benchmarks de LLM
Descubre cómo la selección de prompts con Maximum Independent Set reduce hasta un 48% el costo de evaluar LLMs en benchmarks, manteniendo rankings consistentes.
UR-JEPA: Rectificabilidad Uniforme como Regularizador en JEPA
UR-JEPA logra un 0.83% más de precisión que LeJEPA en Inet10 con menor varianza, y produce representaciones geométricamente distintas.
Cuando Softmax falla al tope: Correcciones de valor extremo para InfoNCE
Descubre cómo WEINCE corrige el sesgo de softmax en InfoNCE usando teoría de valores extremos para mejorar el aprendizaje contrastivo en visión por computadora.
SENSE: Decodificación Especulativa con Incrustaciones Semánticas
Descubre SENSE: acelera inferencia de LLMs hasta 3.26x usando embeddings semánticos, sin perder calidad. Ideal para desarrolladores.
Vinculación de Vectores entre Modelos con Consistencia Isométrica Local
Recupera correspondencias entre nubes de embeddings de distintos modelos usando consistencia geométrica local y hash referencial. Ideal para integración de bases de datos vectoriales.
PMB: Memoria local-first para Claude, Cursor y Codex - 94.5% recall
Aprende cómo PMB ofrece memoria local persistente para agentes de IA con un sorprendente 94.5% de recall. Sin depender de la nube ni de API keys. ¡Open source!
Embeddings generalistas vs específicos: ¿cuál es mejor para codificación clínica?
Descubre si los embeddings generalistas o específicos son mejores para la búsqueda de códigos clínicos en varios idiomas. Estudio empírico con datos sintéticos y mejoras en recall.
PictSure: La calidad de embeddings es clave para el aprendizaje en contexto
PictSure clasifica imágenes con pocos ejemplos usando aprendizaje en contexto. La calidad de los embeddings pre-entrenados es clave. Modelo open source.
Representaciones hiperesféricas tiempo-frecuencia para detección de anomalías
Aprende cómo las representaciones hiperesféricas tiempo-frecuencia mejoran la detección de anomalías en series temporales. Resultados con k-NN y Mahalanobis.
Representaciones jerárquicas y composicionales nativas con embeddings de subespacio
Descubre cómo los embeddings como subespacios capturan jerarquías y composición lógica, superando vectores tradicionales en inferencia y negación.
DG-CoLearn: Un marco eficiente de aprendizaje colaborativo para grafos dinámicos
Descubre DG-CoLearn: acelera hasta 33.8x el aprendizaje en grafos dinámicos con privacidad estructural y mejora del 13% en precisión.
Dando voz a los sensores: JEPA multimodal para series temporales
Descubre CHARM, el modelo JEPA multimodal para embeddings semánticos en series temporales. Ideal para anomalías y predicción.
ScaleMAP: Preserva densidad local y estructura de vecindario en embeddings
ScaleMAP preserva densidad local y estructuras de vecindario que UMAP pierde. Ideal para transcriptómica y citometría de flujo.
Aprendizaje de representaciones de alta dimensión: uniendo lenguaje y mercado
Descubre cómo las representaciones de alta dimensión de FinBERT mejoran la predicción del mercado de valores vs puntajes de sentimiento. Resultados con redes siamesas.
STEP: aprendizaje de embeddings estructurados para series temporales progresivas
Descubre STEP, un método innovador que aprende representaciones interpretables de series temporales progresivas usando un compás latente. Predice estados y modos sin etiquetas.
Robustez de embeddings multilingües: rankings según tareas y lenguas
Descubre cómo los rankings de modelos de embeddings multilingües varían según tareas y lenguas. Un metaestudio revela qué modelos son realmente robustos. ¡Mejora tu comprensión de benchmarks!
MIMO: Búsqueda Multilingüe con Objetivos Monolingües
Descubre MIMO, un marco innovador que mejora la búsqueda multilingüe usando objetivos monolingües. Supera modelos actuales, optimizando alineación y uniformidad.