GRANITE: un marco de aprendizaje por gossip dinámico resistente a bizantinos
Descubre GRANITE: un framework que protege el aprendizaje descentralizado de ataques bizantinos, logrando convergencia rápida y 9x menos comunicación.
#pares
Rendir más con menos: Muestreo para pérdida por pares
Descubre cómo el muestreo directo de pares reduce costos computacionales en pérdida por pares, manteniendo precisión. Técnicas basadas en teoría de encuestas para IA escalable.
ForesightKV: Evicción óptima de caché KV en modelos de razonamiento
ForesightKV optimiza la evicción de caché KV en modelos de razonamiento, superando métodos previos con la mitad del presupuesto y aprendizaje combinado.
De ruido a orden: ranking con difusión generativa
Descubre cómo DiffusionRank usa modelos generativos de difusión para mejorar el aprendizaje por ranking en recuperación de información, superando métodos tradicionales.
¿Puede la IA mejorar la redacción de artículos? Estudio en 20 envíos
Un estudio empírico en 20 artículos de arquitectura de computadores analiza si la revisión con IA puede mejorar la redacción. Resultados, beneficios y limitaciones.
Cuando habilidades seguras chocan: riesgo composicional en agentes
Descubre cómo habilidades seguras combinadas en agentes IA crean riesgos. SkillReact mide el riesgo composicional con benchmark y análisis humano. Resultados sorprendentes.
Más allá de la manipulación independiente: clasificación justa con imitación entre pares
Descubre cómo la clasificación estratégica con equidad individual maneja la imitación entre agentes, mejorando la consistencia y mitigando distorsiones con un enfoque robusto.
Alineación de Referencia por Pares: Observable Ordinal a Nivel de Modelo
Descubre cómo medir la alineación de preferencias en modelos de lenguaje con un observable ordinal. Estadística simple y estimadores con concentración.
SCOPE: Evaluación por Pares con Conformal Selectivo
Descubre cómo SCOPE y la Entropía de Preferencia Bidireccional mejoran la evaluación de LLMs, reduciendo errores y aumentando cobertura hasta 2.4 veces.
Mejora de clasificación selectiva binaria con consultas por pares
Mejora la clasificación selectiva con consultas por pares: reduce errores en muestras de alta confianza y optimiza el balance precisión-costo en IA.