IntraShuffler: Marco de Privacidad para Aprendizaje Federado con DP Heterogéneo
IntraShuffler protege la privacidad en aprendizaje federado con DP heterogéneo, reduciendo ataques de inferencia sin perder utilidad.
#parámetro
RL para diseño óptimo de experimentos en identificación de parámetros
Agente de RL optimiza señales de excitación para identificación de parámetros en sistemas mecatrónicos, superando métodos clásicos con solo 0.75% de violaciones
Identificación de leyes físicas desde video: EDOs lineales con datos mínimos
Identifica parámetros físicos desde video con datos mínimos. Sistemas subamortiguados requieren solo un clip. Sin reconstrucción de píxeles.
Simulación contextual de agentes para evaluar recomendaciones
Descubre ContextSim: un marco de simulación con agentes LLM que integra tiempo, ubicación y necesidades para evaluar sistemas de recomendación con mayor precisi
Cómo equilibrar tasas de aprendizaje entre capas en redes neuronales lineales
Descubre cómo equilibrar las tasas de aprendizaje entre capas en redes lineales mejora el rendimiento temprano. Resultados teóricos y experimentales.
Fusión de modelos con conciencia de prominencia
Descubre cómo SA-Merging fusiona modelos de IA usando saliencia para evitar interferencias y mejorar el rendimiento multitarea. Optimiza tus modelos sin datos adicionales.
Reescalado adaptativo monótono sin hiperparámetros para colas largas
Nuevo método SAMN elimina hiperparámetros en reescalado adaptativo monótono para colas largas. Resultados SOTA en benchmarks.
Presupuesto mínimo de parámetros para razonamiento implícito: ley de escalado
Aprende cómo la complejidad de los datos define el presupuesto mínimo de parámetros para el razonamiento implícito en modelos de lenguaje.
Por qué el software de laminado de tu impresora 3D es más importante que la impresora
Descubre por qué el software de laminado es más determinante que tu impresora 3D para lograr piezas perfectas. Consejos clave para optimizar tus impresiones.
DSL-LLaDA: Denoising Continuo para Modelos de Difusión Enmascarados de 8B
DSL-LLaDA adapta LLaDA para denoising continuo, evitando el compromiso longitud/calidad. Obtiene el mejor ROUGE-1 en resumen con pocos pasos.
Repensando los paradigmas de evaluación en entrenamiento certificado IBP
Descubre cómo las fronteras de Pareto y la optimización automatizada revelan rendimientos superiores en entrenamiento certificado.
Compresión de redes neuronales mediante equivalencia diferencial aproximada
Aprende a comprimir redes neuronales agrupando neuronas por equivalencia diferencial. Reduce parámetros sin perder precisión, alternativa eficaz.
ProbeScale: Análisis de Sondas para Optimizar Leyes de Escalado en SLMs
Descubre cómo ProbeScale optimiza SLMs mediante análisis de sondas, seleccionando subredes que reducen hasta 10 veces los parámetros sin perder rendimiento.
Ajuste fino eficiente de modelos preentrenados para segmentación de instancias
Descubre cómo el ajuste fino eficiente con adaptadores y LoRA logra segmentar instancias con solo 1-6% de parámetros, manteniendo rendimiento. ¡Optimiza!
Ranking vs Asignación: Desajuste de Métricas en Asociación de Objetos Multivista
Descubre por qué las métricas de ranking como AP y FPR-95 fallan en evaluar la asignación correcta de objetos en múltiples vistas. La normalización Sinkhorn como solución.
Adaptadores CP: pasos de parámetros más finos en PEFT
Los adaptadores CP ofrecen pasos de parámetros 21 veces más finos que LoRA. ¿Mejoran la precisión? Estudio controlado en OPT-1.3B revela resultados según la tarea.
Da forma a tu cuerpo: Gradientes de valor para diseño de robots multi-cuerpo
Optimiza el diseño de robots multi-cuerpo con gradientes de valor e IA. Ahorra tiempo y mejora el rendimiento sin reentrenar cada morfología.
Optimización bayesiana causal con transferencia entre intervenciones
Descubre cómo la optimización bayesiana causal transfiere información entre intervenciones, reduciendo costos y mejorando estimaciones en sistemas.
Entrenamiento eficiente de LLMs con dispersión dinámica
Descubre cómo SMET mejora el entrenamiento disperso dinámico de LLMs, eliminando picos de pérdida y reduciendo el uso de memoria. ¡Optimiza tu modelo!
RAG no es Machine Learning: el toolkit de ML resuelve el problema equivocado
¿Crees que RAG es solo ML? Descubre por qué el toolkit clásico (hiperparámetros, splits, explicabilidad) falla y qué alternativas usar en inteligencia documental.