Visual-SDPO: optimización de políticas con retroalimentación visual
Aprende cómo Visual-SDPO optimiza la generación de gráficos, webs y presentaciones con IA, reduciendo defectos visuales mediante autodestilación.
#presentaciones
READER: Atribución de autoría en LLMs con evidencia bayesiana
Descubre cómo READER identifica qué modelo de IA generó una respuesta black-box usando evidencia bayesiana y representaciones congeladas. Ideal para aplicaciones agénticas.
Rotate2Think: cómo la rotación ortogonal mejora el razonamiento de modelos de IA
Rotate2Think mejora el razonamiento de modelos de lenguaje con rotación ortogonal. Aumenta precisión en matemáticas, ciencia y código sin entrenamiento.
TractFM: modelo fundacional de tractogramas
TractFM: el primer modelo fundacional que aprende representaciones de tractogramas completos para segmentación de vías y predicción de fenotipos cerebrales.
Estimación de ventaja basada en representaciones: más que recompensa escalar
GraphAE usa representaciones ocultas del RM para estimar ventajas con grafos. Mejora el RLHF hasta +6.3 en Arena-Hard.
Estimación de ventaja consciente de representación en RLHF
Descubre cómo GraphAE aprovecha las representaciones ocultas del modelo de recompensa para una estimación de ventajas más precisa en RLHF, mejorando rendimiento hasta +8.27 en AlpacaEval.
Predicción de series temporales con aprendizaje multi-escala de residuos
Nuevo pipeline de dos etapas corrige residuos en predicción de series temporales. Mejora la precisión con aprendizaje multi-escala. ¡Resultados de vanguardia!
Predicción series temporales con aprendizaje de residuos multiescala
Aprende cómo un pipeline de dos etapas con aprendizaje de residuos mejora la predicción de series temporales, reduciendo sesgos. ¡Resultados de vanguardia!
Arquetipos generativos en representación de ítems para recomendación secuencial
Descubre GenAIR, un marco que mejora la recomendación secuencial usando arquetipos generativos y calibración conductual. ¡Aumenta el rendimiento de tus modelos!
En defensa de la similitud coseno: la normalización elimina la libertad de gauge
Descubre por qué la similitud coseno es válida al normalizar embeddings. Elimina la libertad de gauge y obtén rankings de vecinos consistentes.
Manifold navegable del espectro de conciencia en modelos de lenguaje
Los modelos de lenguaje codifican un espectro de conciencia en sus representaciones, formando un manifold navegable. Clave para la alineación de IA.
Mitigación del sesgo en RL financiero de baja SNR con representaciones cuánticas
FPQC-SAC reduce el sesgo en RL financiero de baja SNR usando circuitos cuánticos. Logra un 66.89% más de retorno acumulado que SAC estándar. Descubre cómo.
ERAlign: Alineación de Representaciones de GNNs y LLMs en Grafos Textuales
Descubre ERAlign: alinea GNNs y LLMs en grafos textuales con modelos energéticos, mejorando el rendimiento sin costos altos de muestreo.
Transferencia de aprendizaje: Extensiones de Kan para invariantes neuronales
Descubre cómo las extensiones de Kan cuantifican la transferencia de invariantes en redes neuronales, usando teoría de categorías para detectar colapsos.
Contraste y sesgo inductivo: cómo separar ruido lento de dinámicas
Descubre cómo el aprendizaje contrastivo puede confundir ruido lento con la dinámica real, y cómo muestrear negativos dentro de la misma trayectoria mejora las representaciones.
Tokenización de campos neurales con jerarquía y prioridad de localidad espacial
LH-NeF: tokenización jerárquica y local de campos neurales con 42x menos memoria y mayor rendimiento en imágenes, formas 3D y climáticos.
Medida geométrica de separabilidad lineal para representaciones neuronales
Métrica LSM para medir separabilidad lineal direccional entre clases en representaciones neuronales. Ideal para diagnosticar arquitecturas de deep learning.
Más allá del colapso neuronal: geometría intrínseca en aritmética modular
Descubre cómo las redes neuronales organizan representaciones en aritmética modular, revelando una geometría cíclica que supera el colapso neuronal tradicional.
Refinamiento de escala adaptativo guiado por pérdida en fuerzas moleculares
Mejora la predicción de fuerzas moleculares con refinamiento de escala adaptativo guiado por pérdida. Reduce errores en sistemas iónicos acuosos. Avance en IA.
Desenredo con Representaciones Reducidas Holográficas
Descubre cómo las Representaciones Reducidas Holográficas (HRR) revolucionan el desenredo de factores en redes neuronales. Resultados competitivos y robustez al ruido.