Aprendizaje de representaciones causales a partir de datos de red
GraCE-VAE: nuevo modelo causal que aprovecha redes biológicas para predecir intervenciones CRISPR con mayor precisión.
#presentaciones
Mejora multirresolución para representaciones neuronales de espectro completo
Descubre WIEN-INR: marco jerárquico mejora representaciones neuronales, preservando información de alta frecuencia en datos científicos con modelos compactos.
Representaciones autosupervisadas de sistemas dinámicos para series fisiológicas
PULSE: aprendizaje autosupervisado que extrae representaciones de sistemas dinámicos de series fisiológicas, mejorando clasificación y transferencia.
Separando señal y artefactos en datos multisensor para astrofísica
Descubre cómo un nuevo framework de deep learning separa la señal real de artefactos instrumentales en datos multisensor, mejorando inferencia en astrofísica.
LOTTERY: Aprendizaje con muestras de referencia en pruebas asimétricas
LOTTERY ofrece un enfoque novedoso para pruebas de hipótesis cuando hay muchas muestras de referencia pero pocas de consulta. Aprende representaciones y controla errores. ¡Descúbrelo!
Detección de suplantación invariante al hablante con inversión de gradiente
Descubre cómo nuestro modelo de detección de suplantación reduce un 25.7% el error al eliminar el sesgo del hablante, sin usar etiquetas de identidad.
Detección de Parkinson mediante aprendizaje multi-vista de voz con atención multimodal
Aprende cómo un modelo deep learning con atención multimodal alcanza 91.5% de precisión detectando Parkinson usando voz.
Una Dieta Mixta Hace de DINO un Codificador Visual Omnívoro
Descubre cómo el nuevo codificador omnívoro alinea características entre RGB, profundidad y segmentación para una visión robusta y coherente.
Transformaciones geométricas de la verdad en LLMs según el contexto
Estudio revela cómo el contexto modifica geométricamente las representaciones de verdad en LLMs. Cambios direccionales y de magnitud separan verdad de falsedad.
Representaciones unívocas: teoría de la información en redes neuronales
Las redes neuronales pueden tener representaciones sin ambigüedad usando teoría de la información. Un estudio logra decodificar neuronas con 100% de precisión.
GEAR-VLA: Aprendizaje de representaciones geométricas para manipulación robótica
Descubre GEAR-VLA, el marco VLA que logra un 90% de éxito en agarre universal con objetos no vistos. Representaciones geométricas unificadas para robots.
TRL-Bench: Evaluación estandarizada de representaciones tabulares
TRL-Bench estandariza la evaluación de codificadores tabulares. Compara 20 modelos en 16 tareas de representación a nivel fila, columna y tabla. ¡Optimiza tus modelos de IA!
Reenlace condicionado por recuperación en LLMs para seguimiento de entidades
Los LLMs usan circuitos de reenlace condicionado para rastrear entidades y actualizar atributos. Intervenciones causales.
PAI: Preservando Información de Amplitud en Detección de Anomalías
El nuevo método PAI preserva información de amplitud en representaciones, mejorando la detección de anomalías temporales. Gana hasta 98.4% en VUS-PR. Descubre cómo.
Análisis mecanicista del ajuste adversarial en Vision Transformers
Estudio mecanicista del ajuste adversarial en Vision Transformers: efecto en robustez, atención y representaciones.
Steering geométrico en modelos de lenguaje: descomposición ángulo-norma
Descubrimos que el control de modelos de lenguaje depende de la interacción entre ángulo y norma. Explicamos por qué los métodos de steering difieren y proponem
Vocoders multilingües y multilocutor: análisis de unidades discretas
El tamaño del cluster y el condicionamiento del hablante son clave para evitar mezcla de hablantes en vocoders multilingües. Descubre cómo.
ViSSRes: residuo espacio-temporal contra alucinaciones en video
Descubre ViSSRes, un método innovador que reduce las alucinaciones en modelos de video grandes usando residuos espacio-temporales. Mejora la comprensión hasta u
La geometría de los fallos representacionales en modelos de visión-lenguaje
Estudio revela cómo la geometría de representaciones internas en VLMs causa alucinaciones. Aprende sobre vectores conceptuales y fallos visuales.
Principios y práctica del aprendizaje profundo de representaciones
Descubre cómo el aprendizaje profundo de representaciones abre la caja negra de las redes neuronales. Principios, teoría matemática y aplicaciones prácticas.