De la geometría a la dinámica: aprendizaje con datos escasos
Nuevo enfoque combina geometría y control estocástico para aprender dinámicas de sistemas con datos escasos. ¡Resultados superiores!
#observaciones
HERO: Reflexión retrospectiva para auto-destilación de agentes
Descubre HERO, un marco de auto-destilación que mejora el éxito de tareas y reduce pasos innecesarios en agentes de IA, incluso con pocos datos de entrenamiento.
Aprendizaje por refuerzo con observaciones activadas por acciones
Descubre cómo ATST-MDP optimiza el aprendizaje por refuerzo con observaciones activadas por acciones, mejorando la eficiencia en entornos parcialmente observables.
Infini Memory: Documentos de temas para memoria persistente de agentes LLM
Infini Memory: memoria persistente con documentos temáticos para agentes LLM. Alcanza 64.7% en MemoryAgentBench con mantenibilidad y recuperación iterativa.
Cuantificando incertidumbre en captura de basura espacial con redes activas
Descubre cómo las observaciones ruidosas generan incertidumbre en la captura de basura espacial con redes activas y cómo cuantificarla.
Corrección basada en observaciones de pronósticos de vientos marinos
Descubre cómo ORCA, un modelo basado en transformers, corrige errores en pronósticos de vientos marinos usando observaciones en tiempo real, mejorando la precisión hasta un 45%.
Flujo condicional estabilizado por kernel para datos dispersos
Descubre cómo CVFM modela dinámicas condicionales estocásticas con datos dispersos usando flujo estabilizado por kernel. Ideal para ciencia e industria.
Adición de observaciones guiada por inteligibilidad sin entrenamiento para ASR ruidoso
Mejora el reconocimiento de voz en entornos ruidosos con un nuevo método sin entrenamiento que fusiona señales de forma inteligente. Aumenta la precisión y robustez.
Optimización dinámica distribuida y metarrazonamiento para satélites
Descubre cómo la optimización dinámica distribuida y el metarrazonamiento mejoran operaciones satelitales autónomas a gran escala.
Calibrar simulación de tráfico urbano con datos escasos mediante optimización genética
Aprende cómo la optimización genética calibra simulaciones de tráfico urbano con datos escasos, logrando resultados precisos para planificar ciudades.
Estrategia Minimax Óptima para Observaciones Retrasadas en Aprendizaje por Refuerzo Online
Descubre la estrategia Minimax óptima para RL con observaciones retrasadas. Logra cotas de arrepentimiento ajustadas en MDPs tabulares.
Corrigiendo el sesgo espectral en operadores neurales con difusión posterior
Corrige sesgo espectral en operadores neuronales usando difusión posterior y observaciones dispersas, logrando predicciones precisas con solo un 5% de cobertura.
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
Sensado en tiempo real de campos inaccesibles con operador neuronal en el borde
VIRSO: operador gráfico neuronal para inferencia de campos inaccesibles en tiempo real, con 29x menos energía y 17 muestras/s a 7W.
Reconstrucción inversa de ebullición con HB-ARFM
Descubre cómo HB-ARFM reconstruye campos de temperatura y velocidad en ebullición a partir de observaciones parciales, superando limitaciones Markovianas.
Enmascarar observaciones obsoletas: ¿ayuda o perjudica a los agentes de búsqueda?
Descubre cómo el enmascaramiento de observaciones obsoletas afecta a los agentes de búsqueda. Aprende cuándo mejora y cuándo empeora el rendimiento.
Transporte de Sargassum: aprendizaje con datos limitados
Descubre la IA y el machine learning mejoran la predicción del transporte de sargazo con datos limitados de boyas. Aplicaciones en Puerto Rico y Gulf Stream.