Predecir y Reconstruir: Objetivos Conjuntos para Representaciones de Lenguaje
Descubre cómo la combinación de JEPA y MLM mejora representaciones de lenguaje: embeddings más uniformes y semánticos. Un nuevo enfoque híbrido para NLP.
#presentaciones
Diversidad geográfica en representaciones de IA en imágenes
Descubre cómo la diversidad geográfica en imágenes de IA revela sesgos: modelos antiguos más diversos y riesgo de estereotipos.
InfoShield: Preservación de privacidad en detección de salud mental
InfoShield minimiza la exposición de datos sensibles en análisis de voz para salud mental, reduciendo inferencia de género y edad con mínima pérdida de precisión.
Ataques adversarios en ASR más allá de la forma de onda
Nuevo ataque adversario en ASR evade defensas al perturbar representaciones SSL, mejorando la transferibilidad como en Whisper.
GeoVR: Aprendizaje de representaciones geométricas para MLLM espaciales
Descubre GeoVR, un nuevo enfoque que enseña a los modelos multimodales a comprender el espacio 3D usando solo videos 2D. Resultados estatales del arte en razonamiento espacial.
F3-Tokenizer: domando latentes de audio para entender y generar
Descubre cómo F3-Tokenizer domina los latentes de audio para mejorar tanto la comprensión como la generación, unificando ambos campos en un solo tokenizador.
LatentWave: Preentrenamiento JEPA para modelos base inalámbricos
LatentWave: modelo base inalámbrico con preentrenamiento JEPA. Aprende representaciones latentes transferibles para clasificación, posicionamiento y predicción.
La mano invisible de la física en modelos de difusión de video
Los modelos de difusión de video codifican la física internamente. Descubre cómo superan a métodos especializados en plausibilidad física.
Localizando ambigüedad en prompts de LLM con atribución dirigida por sonda
Descubre cómo PRIG localiza la ambigüedad oculta en prompts de LLMs usando atribución por sonda, superando a GPT-5.4 en identificación de ambigüedad.
Operadores Monte Carlo Steklov para geometría a gran escala
Un nuevo método Monte Carlo para estimar operadores volumétricos acelera el procesamiento de geometría 3D, robusto ante mallas de baja calidad y múltiples componentes.
Representaciones causales discretas en dominios heterogéneos: enfoque bayesiano
Descubre cómo la inferencia bayesiana aprende representaciones causales discretas a partir de encuestas sociales en distintos dominios.
HOPSE: Codificador Posicional y Estructural de Alto Orden Escalable
Descubre HOPSE: codificador de alto orden que escala en aprendizaje topológico, superando a métodos tradicionales.
HOPSE: Codificador de Posición y Estructura para Representaciones de Alto Orden
HOPSE ofrece codificación posicional y estructural escalable para aprendizaje topológico, superando a la propagación de mensajes en velocidad y precisión.
Concept-SAE: Interfaz de Conceptos Controlable e Invertible
Descubre cómo Concept-SAE controla conceptos específicos en modelos de IA, mejorando interpretabilidad y detección adversarial.
Hacia una prueba de independencia condicional escalable y válida con representaciones espectrales
Descubre cómo las representaciones espectrales mejoran la escalabilidad y validez en pruebas de independencia condicional. Un enfoque innovador con garantías teóricas.
Aprendizaje por refuerzo profundo estable con representaciones gaussianas isotrópicas
Descubre cómo las representaciones gaussianas isotrópicas mejoran la estabilidad en aprendizaje por refuerzo profundo, reduciendo colapso de representación y neuronas inactivas.
SOLARIS: Descarga especulativa de representaciones latentes para inferencia
Descubre cómo SOLARIS acelera la inferencia de modelos fundacionales con descarga especulativa, logrando un 0.67% de aumento en ingresos en Meta.
Representation learning: la clave para escalar el RL multitarea
MR.Q demuestra que las representaciones predictivas escalan el RL multitarea sin planificación, superando a modelos del mundo.
Descifrando dos relojes de entrenamiento en Grokking
Cómo el fenómeno Grokking separa el ajuste de datos de la simplificación de representaciones con dos relojes de entrenamiento. Teoría de redes lineales y ReLU.
Teoría de alta dimensión del ajuste fino LoRA en atención
Teoría de alta dimensión para ajuste fino LoRA en atención. Descubre cómo el pre-entrenamiento afecta el error de prueba y la alineación. Ideal para optimizar modelos.