Idioma fuente en ICL multilingüe: ¿el inglés no basta?
¿El inglés no es siempre el mejor? Un estudio revela cómo seleccionar idiomas fuente en aprendizaje contextual multilingüe para superar las expectativas del
#pocos ejemplos
Refinamiento de propuestas para detección de objetos con pocos ejemplos
Nuevo método de refinamiento de propuestas para detección few-shot. Reequilibra distribución entre clases, logrando estado del arte sin coste de inferencia.
Síntesis de verdad fundamental con LLMs e ICL para emociones en audio
Descubre cómo los LLMs generan verdad fundamental sintética para clasificar emociones en audio VR. Supera limitaciones de etiquetado manual. ¡Descúbrelo!
Acondicionamiento acústico por etapas para aprendizaje con pocos ejemplos en audio
Descubre cómo el acondicionamiento acústico por etapas mejora el aprendizaje con pocos ejemplos en modelos de audio. Incrementa el rendimiento en clasificación.
¿Son los LLMs una alternativa viable en extracción biomédica de relaciones?
Descubre cómo los LLMs ofrecen una alternativa viable en extracción biomédica con pocos ejemplos, superando a métodos supervisados en relaciones raras.
CIWI-CKT: Fusión de ondas caóticas y transferencia entre ciudades
Descubre CIWI-CKT, un innovador marco que combina teoría del caos e interferencia de ondas para predecir el flujo de tráfico con precisión incluso con pocos
MAF: Prompting Adaptativo Multimodal para Análisis de Sentimientos
Mejora el análisis de sentimientos con MAF: marco adaptativo multimodal que recupera demostraciones relevantes y fusiona similitudes para mayor precisión en
SmartFont: Asignación Dinámica de Condiciones para Generación de Fuentes
SmartFont: método de generación de fuentes con pocos ejemplos que equilibra global y local mediante asignación dinámica. Mejora calidad y fidelidad de glifos.
MiDiGap: La asombrosa eficacia de los procesos gaussianos discretos
MiDiGap aprende políticas robóticas desde solo 5 demostraciones con cámara. Logra evitar obstáculos, transferir entre robots y mejorar éxito un 76% en RLBench.
Más allá del Golden Teacher: Co-enseñanza LLM-GNN
Descubre cómo la co-enseñanza bidireccional entre LLM y GNN supera el enfoque del 'golden teacher' para aprender en grafos con pocos datos. ¡Mejoras de hasta 7.86% en 3-shot!
Más allá del Golden Teacher: co-enseñanza LLM-GNN
Descubre cómo la co-enseñanza bidireccional entre LLM y GNN supera las limitaciones del aprendizaje con pocos ejemplos en grafos, mejorando la precisión un 7.86%.
Detectando brechas de conocimiento con IA conversacional y grafos
Descubre cómo un pipeline basado en IA y grafos curriculares analiza preguntas de estudiantes para detectar brechas de conocimiento y ayudar a los instructores a mejorar sus cursos.
Ataques a detectores de texto automático conservan huellas estilísticas
Los ataques no borran huellas estilísticas. Un nuevo método de paráfrasis evade todos, pero el análisis multdocumento los distingue. Descúbrelo.
Detección eficiente de logs maliciosos con LLM y razonamiento forense explicable
Descubre cómo CEF-Log detecta logs maliciosos con un 99% de precisión usando solo 4 ejemplos y explicaciones forenses claras. Ideal para ciberseguridad.
Clasificación de audio incremental de clases variables con pocos ejemplos
Clasificación de audio con clases variables y pocos ejemplos usando adaptación de prototipos y entrenamiento pseudo-variable. ¡Alta precisión!
CoMetaPNS: Meta-aprendizaje continuo para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, el nuevo marco de meta-aprendizaje continuo que evita el olvido catastrófico en simulaciones cardíacas personalizadas.
GP-Adapter: Detección OOD con pocos ejemplos usando procesos gaussianos
Aprende cómo GP-Adapter integra procesos gaussianos en CLIP para detectar datos fuera de distribución con pocos ejemplos, mejorando la incertidumbre y fiabilidad.
Integración de LLM con Vercel AI SDK
Aprende a integrar modelos de lenguaje (LLM) con el SDK de IA de Vercel: generación de texto, streaming, embeddings, salida JSON y más. Ejemplos prácticos con OpenAI.
SpurAudio: Explorando atajos en clasificación few-shot de audio
Nuevo benchmark SpurAudio revela que modelos de audio con pocos ejemplos son sensibles a correlaciones espurias. Conoce las implicaciones para IA.
Adaptación de usuario con pocos ejemplos e incertidumbre para HAR personalizado
Método sin gradientes para personalizar HAR en dispositivos: con 3 segundos de calibración, mejora hasta 33 puntos F1. ¡Descúbrelo!