Precisión y diversidad: enfoque multi-tarea para combinar pronósticos
Descubre cómo un enfoque multi-tarea optimiza precisión y diversidad al combinar modelos de pronóstico mediante deep learning. Resultados superiores en M4 y tráfico real.
#precisión
Clasificación multi-cáncer con redes Kolmogorov-Arnold interpretables
Descubre MOGKAN, una red profunda interpretable que logra 96.28% de precisión en clasificación de 31 tipos de cáncer usando datos multi-ómicos y redes PPI.
Optimización Adaptativa Humana para Pronósticos de Series Temporales
Optimiza pronósticos de series temporales con correcciones adaptativas y humanos en el bucle. Mejora precisión sin reentrenar, usando IA.
WUSH: Transformaciones Adaptativas Casi Óptimas para Cuantización de LLM
WUSH mejora la cuantización de LLMs hasta +2.8 puntos en W4A4. Transformaciones adaptativas casi óptimas para despliegue eficiente en GPU.
Tempora: Evaluando la utilidad temporal de la adaptación en tiempo de prueba
Descubre cómo Tempora evalúa la adaptación en tiempo de prueba bajo presión temporal. Conoce métricas para elegir el mejor método según latencia y precisión.
Límites de generalización de longitud en transformers
Descubre por qué no existen límites computables de generalización de longitud para transformers y C-RASP, y cómo afecta al aprendizaje automático.
ASKD-Whisper: Destilación Adaptativa para Reconocimiento de Voz Eficiente
Descubre ASKD-Whisper, una técnica de destilación adaptativa que acelera 5x el reconocimiento de voz y supera al profesor en precisión.
LASER: SVD consciente de pérdida y asignación de rango para modelos VL
Descubre cómo LASER logra una aceleración 2.3x en modelos visión-lenguaje con baja precisión, usando SVD consciente de pérdida y asignación de rango.
GPTQ-intrinsic LoRA: Cuantización de baja precisión con adaptación de bajo rango
GPTQ-intrinsic LoRA: mejora la cuantización de baja precisión con corrección de bajo rango. Algoritmo casi óptimo para modelos grandes.
GPTQ-intrinsic LoRA: algoritmo cuasióptimo para cuantización y adaptación de bajo rango
GPTQ-intrinsic LoRA combina cuantización de baja precisión y adaptación de bajo rango para comprimir redes neuronales. Algoritmo sin entrenamiento mejora modelos como Qwen3 y DeiT.
Predicción de reflectancia espectral de hojas con redes de atención multi-cabeza
Descubre cómo una red con atención multi-cabeza alcanza R² 0.84 en predicción de reflectancia foliar, supera modelos clásicos. Ideal para monitoreo de viñedos.
Cómo la modernización de aplicaciones legacy garantiza la precisión de datos
Modernizar aplicaciones legacy asegura la precisión de datos mediante validación, conciliación y gobernanza. Calidad de datos confiables.
Asimetrías de fiabilidad en búsquedas factuales chinas y respuestas IA
Estudio evalúa la fiabilidad de motores de búsqueda y asistentes IA al responder preguntas factuales en chino, revelando diferencias clave.
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
Los modelos de razonamiento cuantizados creen que necesitan pensar más, pero no
La cuantización agresiva reduce la precisión y alarga el razonamiento de los modelos de IA. Descubre cómo una penalización simple en tokens de 'overthinking' mejora la eficiencia.
Cuantización Consciente del Producto Interno: Algoritmos Rápidos y Adaptativos
Descubre cómo los algoritmos de cuantización adaptativa preservan el producto interno de vectores, ofreciendo precisión y velocidad hasta 10 veces mayor.
GNMR: Control de estabilidad en tiempo real para entrenar LLM en baja precisión
Descubre GNMR, un controlador ligero que estabiliza el entrenamiento de modelos de lenguaje en baja precisión sin cambiar el formato numérico. Mejora la calidad y reduce costes.
Moment-Video: Fidelidad temporal de MLLM en eventos visuales momentáneos
Moment-Video evalúa la capacidad de MLLM para captar eventos visuales que duran solo unos fotogramas. Resultados sorprendentes.
Repensando la granularidad: compresión de LLM con SubFit
SubFit comprime LLMs a nivel de submódulos con selección no contigua. Mejora el equilibrio precisión-perplejidad, acelera inferencia y ahorra memoria KV-cache. ¡Más eficiente!
Domando la complejidad: Agentes para fallos en el kernel Linux
Descubre cómo los agentes de ingeniería de software con LLM logran un 41.6% de precisión en la localización de fallos del kernel de Linux. Mejora tu depuración con IA.