Recuperación parcial y consistencia débil en HSBM no uniforme
Descubre cómo un nuevo algoritmo espectral logra recuperación parcial y consistencia débil en el modelo HSBM no uniforme para detección de comunidades en hipergrafos.
#orden
Rex: Familia de solvers Runge-Kutta exponenciales reversibles
Descubre Rex: solvers reversibles para ODE/SDE con precisión casi de máquina en generación y edición de imágenes.
Introducción a métodos de optimización para entrenar modelos SciML
Aprende cómo la física y los operadores diferenciales condicionan la optimización en SciML. Métodos de primer y segundo orden, aplicaciones prácticas y desafíos.
Modelos Locales y Globales para RL Eficiente de Primer Orden
Aprende cómo la técnica de modelos mundiales acoplados permite entrenar RL de forma eficiente sin simuladores, usando difusión y gradientes de primer orden para tareas de manipulación.
Optimización en tiempo de prueba de planes de consulta física con LLMs
Descubre cómo los LLMs optimizan planes de consulta física en tiempo de prueba, logrando aceleraciones de hasta 4.78x en consultas OLAP. ¡Aumenta la eficiencia!
Análisis de supervivencia con Graph Mamba y ordenación topológica
Descubre cómo TopoMamSurv supera las limitaciones de Mamba en análisis de supervivencia con ordenación topológica y modelado bidireccional.
Anotaciones verificadas y marco LLM para corregir FOLIO y MALLS
Descubre cómo anotaciones verificadas revelan que ~39% de FOLIO y MALLS son incorrectos. Un marco LLM reduce el esfuerzo de reetiquetado humano.
GRZO: Optimización de orden cero para ajuste fino de LLMs
Descubre GRZO, el optimizador que reduce la varianza en el ajuste fino de LLMs, mejorando precisión y ahorrando memoria GPU.
Reordenamiento con LLM para objetivos matizados en recomendadores
Estudio revela que el reordenamiento con LLM puede amplificar contenido extremo, pero una regularización ligera mejora la diversidad ideológica.
Modelado de orden reducido de Hamiltonianos con redes simplécticas
Descubre cómo las redes neuronales simplécticas preservan la estructura hamiltoniana en modelos reducidos, logrando simulaciones precisas y estables a largo plazo.
Trump firma orden ejecutiva para revisar modelos de IA antes de su lanzamiento
Trump firma orden ejecutiva que crea un marco voluntario para revisar modelos de IA antes de su lanzamiento, buscando equilibrar innovación y ciberseguridad.
Trump firma orden ejecutiva de IA que podría elegir ganadores y perdedores
Trump firma orden ejecutiva de IA que permite al gobierno revisar modelos y seleccionar socios de confianza. Expertos alertan sobre favoritismo.
Truncación balanceada Hermite simétrica para sistemas dinámicos a partir de derivadas
Descubre cómo la truncación balanceada con cuadratura Hermite simétrica permite aprender sistemas dinámicos lineales a partir de datos de derivadas, preservando estabilidad y hermiticidad.
R3-CoVR: marco zero-shot de razonamiento para videos compuestos
Descubre R3-CoVR, un marco zero-shot sin entrenamiento que alcanza 91.9% R@1 en recuperación de videos compuestos mediante razonamiento multimodal y reordenamiento.
Aprendiendo dinámicas caóticas mediante supervisión geométrica de segundo orden
Descubre cómo la supervisión de segundo orden mejora el aprendizaje de sistemas caóticos, preservando atractores con bajo costo computacional.
Autoencoder de varianza ordenada para descubrir relaciones no lineales estáticas
Descubre cómo extraer relaciones estáticas no lineales de datos no etiquetados con autoencoder de varianza ordenada. Ideal para optimización en tiempo real.
Profundidad Polar para Datos Potencialmente de Cola Pesada
Descubre la profundidad polar, una nueva métrica para ordenar extremos en datos de cola pesada y detectar anomalías multivariantes. Aplicaciones en ciberseguridad y análisis de riesgos.
d2: Mejora del razonamiento en modelos de difusión con estimación de trayectoria
Descubre d2, un marco de razonamiento para modelos de difusión que mejora el rendimiento en tareas lógicas y matemáticas, superando a RL tradicional.
Aprendizaje de dinámicas hamiltonianas a gran escala
Descubre RO-HNN: combina mecánica hamiltoniana y reducción de orden para aprender dinámicas complejas a gran escala con predicciones consistentes.
Sesgo tras sesgo: recompensa mecánica en modelos de lenguaje
Los modelos de recompensa en IA tienen sesgos. La recompensa mecánica los mitiga con pocos datos. Optimiza la alineación de modelos de lenguaje.