Semantic DLM+: Equilibrio sesgo-varianza en modelos de difusión
SemDLM+ mejora modelos de difusión de lenguaje al equilibrar sesgo y varianza en el diseño del kernel de transición, logrando generación de texto diversa y
#ode
Inversión Probabilística de Signaturas Truncadas
Aprende cómo la inversión probabilística de signaturas truncadas permite recuperar caminos temporales con precisión, usando modelos de flujo y teoría de Bayes.
DiRecT: Planificación segura con modelos de difusión y horizonte deslizante
Descubre DiRecT, un algoritmo de planificación segura sin entrenamiento que aplica restricciones solo a la trayectoria final, mejorando seguridad y rendimiento
Robo de modelos a través del lente de la multiplicidad
Descubre cómo la multiplicidad de modelos revela que los sustitutos de alta fidelidad no son equivalentes al original, afectando seguridad y equidad.
MoECa: Alineando Reutilización de Características con Expertos en Difusión
MoECa acelera hasta 2.83x la inferencia de Transformers de Difusión con Mixture of Experts, manteniendo la calidad.
Re-alimentación vs reproducción: ruido en crédito contrafactual de tokens
Re-alimentar el prompt introduce ruido en crédito contrafactual, afectando selección de tokens. Estudio vLLM revela diferencias hasta 28pp.
Ajuste fino federado consciente de conflictos en LLMs con MoE
Aprende cómo el marco FC-MoE resuelve conflictos en el ajuste fino federado de modelos de lenguaje grandes con mezcla de expertos, mejorando convergencia y
Mitigando la distorsión en atención de LLMs para razonamiento en grafos
Descubre cómo la distorsión estructural en atención de LLMs perjudica el razonamiento en grafos y cómo GaLA lo corrige. Mejora sin sobrecarga.
HAPI-EP: Gemelos Digitales Híbridos, Adaptativos y Predictivos
HAPI-EP: marco de IA para gemelos digitales cardíacos híbridos, adaptativos y predictivos. Se adapta en tiempo real a datos del paciente.
MosaicQuant: Cuantización unificada 4-bit con desagregación de inliers-outliers
Descubre MosaicQuant: cuantización 4-bit unificada que preserva precisión casi FP16 y acelera hasta 1.24x en LLMs. ¡Optimiza tu inferencia!
ReQAT: Precisión completa con cuantificación FP4
Descubre ReQAT, el método que logra precisión completa en modelos de razonamiento grandes con cuantificación FP4, reduciendo costos y acelerando el rendimiento
Ajuste fino federado consciente de conflictos para LLMs con MoE
Descubre cómo FC-MoE optimiza el ajuste fino federado de LLMs con mezcla de expertos, resolviendo conflictos entre clientes para acelerar la convergencia y
HAPI-EP: Gemelos digitales híbridos, adaptativos y predictivos
HAPI-EP: marco de IA para gemelos digitales cardíacos híbridos y adaptativos que predicen y se adaptan a datos en vivo, mejorando la medicina personalizada.
Marco multiagente para evaluar riesgo de auditoría con incertidumbre y conflicto
Descubre UMAR, un marco multiagente que evalúa riesgos de auditoría con incertidumbre y conflicto. Mejora precisión y señales interpretables.
Poda de expertos MoE: formulación unificada y selección
Optimiza modelos MoE con poda de expertos de un solo disparo: conoce la formulación unificada y los criterios MAN y MSAN que logran hasta 8.8 puntos de mejora.
Aprendizaje no supervisado para modalidades faltantes en aprendizaje multimodal
Descubre cómo UL4M4 imputa modalidades faltantes en aprendizaje multimodal usando clustering no supervisado, logrando F1 >0.7 incluso con más del 50% de datos
Modelado causal del Alzheimer con redes bayesianas y tiempo latente
Descubre cómo BN-LTE predice la progresión del Alzheimer y revela ventanas de sensibilidad amiloide. Modelado causal avanzado.
ReQAT: Precisión completa con cuantificación FP4 en entrenamiento
ReQAT logra precisión de razonamiento completa usando cuantificación FP4 de 4 bits, con aceleración de hasta 3.9x en NVIDIA DGX Spark. Descubre cómo.
Decodificación paralela de campo medio en difusión discreta
Coordinación de actualizaciones paralelas en modelos de difusión para mejorar calidad y latencia en generación de texto y código. Descubre cómo.
Multi-Fidelity SINDy: Identificación dispersa de sistemas dinámicos no lineales
Descubre cómo Multi-Fidelity SINDy mejora la identificación de sistemas dinámicos no lineales usando datos de baja y alta fidelidad.