DeepLatent: Razonamiento visual latente paralelo con imágenes
DeepLatent: revolucionario marco paralelo de razonamiento visual latente. Usa tokens 2D y RL continuo para alcanzar rendimiento de vanguardia en benchmarks clave.
#presentaciones
CORE-MTL: Repensando el equilibrio de gradientes con representaciones causales ortogonales
Descubre CORE-MTL, el nuevo enfoque de representaciones causales ortogonales que mejora la generalización en aprendizaje multitarea, reduce interferencias y supera métodos existentes.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
Redes profundas analizan lenguajes libres de contexto con estadísticas locales
Las redes profundas aprenden a analizar lenguajes libres de contexto usando solo estadísticas locales. Un estudio revela cómo emergen representaciones jerárquicas.
Reconstruir contenido con atención colaborativa mejora embeddings multimodales
Mejora la calidad de embeddings multimodales con atención colaborativa y reconstrucción de contenido para tareas de recuperación y clasificación.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
AdaptiveK: Autoencoders Dispersos por Complejidad
AdaptiveK ajusta dinámicamente la esparcidad según la complejidad semántica, mejorando interpretabilidad y reconstrucción de modelos de lenguaje.
UrbanFusion: Fusión multimodal para representaciones espaciales robustas
UrbanFusion combina imágenes, mapas y POI con fusión estocástica para representaciones espaciales robustas. Supera modelos previos en 41 tareas.
Similitud de coseno en representaciones de etiquetas: lo que revela y lo que no
La similitud de coseno entre representaciones de etiquetas no revela las probabilidades del modelo. Descubre qué revela sobre clasificadores softmax y sigmoide.
VocSim: Benchmark sin entrenamiento para identidad de contenido en audio
VocSim evalúa representaciones de audio sin entrenamiento usando Precision@k y GSR. Whisper + PCA logran alto rendimiento, pero falla en lenguas de bajos recursos. Código y leaderboard disponibles.
Aprendizaje Off-Policy con Zero-Shot
Aprende cómo el método Zero-Shot Off-Policy Learning permite adaptar políticas a nuevas tareas sin reentrenamiento, usando medidas sucesoras y corrección de distribución para una rápida adaptación.
Geometría global no basta para visión artificial
Descubre por qué la geometría global no basta para la composición visual y cómo la sensibilidad funcional predice mejor la representación.
Medida de Relevancia Normalizada para Explicar Redes Neuronales
Descubre cómo la medida de relevancia normalizada unifica la explicación de estructuras latentes en redes neuronales, mejorando la transparencia en IA.
CryoProt: Preentrenamiento de proteínas con interacciones en crio-EM
CryoProt revoluciona el análisis de proteínas con IA: modela interacciones entre cajas en mapas crio-EM para predicciones precisas. Mejora hasta un 12%.
Nuevo método conecta representaciones sin recompensa con preferencias en RL offline
Nuevo marco de aprendizaje por refuerzo offline que aprende representaciones sin recompensa y las afina con preferencias humanas, superando a métodos tradicionales en eficiencia.
Estructura y escala en el modelado de secuencias simpliciales
Descubre cómo la escala en modelos de secuencias simpliciales se correlaciona con estructura y rendimiento en transformers. Un estudio revela patrones predecibles.
De la performance a la viabilidad: un marco bootstrap para representaciones latentes
Descubre el marco bootstrap para aprender representaciones latentes: del rendimiento a la viabilidad en sistemas biológicos adaptativos.
Estructura y Escala en Modelado de Secuencias Simpliciales
¿Cómo se relacionan las leyes de escalado con las representaciones internas en deep learning? Este estudio revela una correlación entre rendimiento y estructura
Aprendizaje en línea flexible de representaciones por similitud
Algoritmo en línea biológicamente plausible para representaciones dispersas e invariantes. Ideal para clustering, teselado y codificación en grandes datos.
Invarianzas representacionales inducidas por tareas según objetivo en RL
¿Sabías que DQN y PPO aprenden representaciones invariantes diferentes? Descubre cómo afecta a la transferencia y la neurociencia.