Hacia Autoencoders Dispersos Identificables
Los nuevos autoencoders dispersos identificables (iSAE) mejoran la estabilidad y precisión en la interpretación de redes neuronales. Aprende más.
#presentaciones
Representaciones jerárquicas y composicionales nativas con embeddings de subespacio
Descubre cómo los embeddings como subespacios capturan jerarquías y composición lógica, superando vectores tradicionales en inferencia y negación.
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
¿Cuándo las predicciones multimodales son biológicamente válidas?
Descubre cómo DECAT evalúa si las predicciones multimodales en oncología están respaldadas por biología real o por confusores. Un marco post-hoc que revela sesgos ocultos.
Dando voz a los sensores: JEPA multimodal para series temporales
Descubre CHARM, el modelo JEPA multimodal para embeddings semánticos en series temporales. Ideal para anomalías y predicción.
Alineación Latente Equivariante mediante Flow Matching bajo Simetrías de Grupo
Mejora la síntesis de vistas novedosas corrigiendo la desalineación latente con Residual Latent Flow.
Evaluación conductual y representacional de agentes de lenguaje con objetivos
Evaluamos la direccionalidad a objetivos en agentes de lenguaje con análisis conductual y representacional. Descubre cómo entender su comportamiento.
El decaimiento de peso mejora la plasticidad de modelos de lenguaje
Descubre cómo un mayor weight decay durante el preentrenamiento puede mejorar la plasticidad de los LLM, generando mejor rendimiento tras el fine-tuning.
Geometría de la información de Softmax: Sondas y dirección
Explora la geometría informacional en softmax para entender la codificación semántica en IA. Dirección dual: controla conceptos con precisión.
Redes Neuronales de Alto Orden Inspiradas en Circuitos para PDE y Visión
CHONN: redes de alto orden inspiradas en circuitos unifican dinámicas neuronales para resolver PDEs y mejorar percepción visual. Modelado estable y eficiente.
Colapso de representación en el entrenamiento secuencial posterior de LLMs
Descubre cómo el entrenamiento secuencial de LLMs provoca colapso de representación y qué intervenciones pueden preservar la plasticidad y la generalización.
Representaciones de Predictibilidad Transferibles: Una Nueva Red Ordinal
Descubre cómo la nueva red GON aprende representaciones transferibles de predictibilidad en sistemas dinámicos, superando la ambigüedad ordinal.
Mejora de representaciones relativas con anclajes aprendidos y productos internos blanqueados
Descubre cómo mejorar la comunicación entre modelos de IA con anclajes semánticos y métricas geométricas. Logra transferencia casi sin pérdida de información.
Aprendizaje de representaciones de alta dimensión: uniendo lenguaje y mercado
Descubre cómo las representaciones de alta dimensión de FinBERT mejoran la predicción del mercado de valores vs puntajes de sentimiento. Resultados con redes siamesas.
Percepción del mundo por control: representaciones basadas en empoderamiento
Descubre cómo el empoderamiento aprende representaciones solo con lo relevante para el control, ignorando el ruido. Perspectiva causal desde la interacción.
ImmersiveTTS: Texto a Voz Consciente del Entorno con Difusión Multimodal
ImmersiveTTS genera voz natural integrada en entornos reales, superando en naturalidad e inteligibilidad a otros modelos. Conoce cómo logra la alineación semántica con difusión multimodal.
STEP: aprendizaje de embeddings estructurados para series temporales progresivas
Descubre STEP, un método innovador que aprende representaciones interpretables de series temporales progresivas usando un compás latente. Predice estados y modos sin etiquetas.
Duda compartida: estimación de confianza cero-shot en modelos multilingües
Descubre cómo los LLMs multilingües comparten dudas entre idiomas: una sonda lineal logra estimación de confianza zero-shot sin reentrenamiento.
Aprendiendo representaciones latentes cardíacas en el espacio del vectorcardiograma
Descubre cómo LVCG aprende representaciones cardíacas en el espacio VCG, mejorando robustez y generalización frente a métodos tradicionales de ECG.
Representación Terminal en Aprendizaje por Refuerzo
Descubre la Representación Terminal (TR), una nueva formulación en RL que elimina la necesidad de eigenvectores para tareas como descubrimiento de opciones y tr