CoVEBench: ¿Modelos de edición de video ante instrucciones complejas?
Descubre CoVEBench, el nuevo benchmark que evalúa cómo los modelos de edición de video manejan instrucciones complejas y múltiples. Resultados sorprendentes.
#preservación
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.
AAIR™: Convierte registros de autos clásicos en legado perdurable
AAIR™ usa inteligencia artificial para preservar la historia y legado de autos clásicos. Asegura autenticidad y valor en la transmisión generacional.
Modelos Fundacionales Federados en Redes Vehiculares
Los Modelos Fundacionales Federados impulsan la próxima inteligencia vehicular. Aprende sobre sus aplicaciones, desafíos y un caso práctico con Waymo en esta visión pionera.
Corrección estructurada para inferencia bayesiana en imágenes cerebrales
Descubre cómo mejora la reconstrucción cerebral con aprendizaje de correcciones estructuradas, preservando la interpretabilidad bayesiana.
Entrenando un MoE disperso de 120B con escalado reversible
Aprende a entrenar un MoE de 120B parámetros en un solo nodo GPU usando escalado reversible y cuantización. Optimiza memoria y alcanza pérdida de 1.78.
Fundamentos Reversibles: Escalado de Preservación de Estado para MoE de 120B
Entrena un MoE de 120B en una sola máquina con 8 GPUs usando reversibilidad y escalado preservador de estado. Eficiencia sin precedentes.
DirectAnimator: Animación humana directa desde videos
Descubre cómo DirectAnimator aprende animación humana directamente desde videos, sin esqueletos ni estimación de pose, con alta calidad y menor coste computacional.
SecretFan: Sintetizando datos realistas sin comprometer la privacidad
SecretFan genera datos sintéticos realistas sin comprometer la privacidad usando fuzzing y un discriminador. Ideal para entrenar modelos de IA.
Más allá de las medias: efectos causales con homología persistente
Descubre cómo la homología persistente revela efectos causales que las medias tradicionales ignoran. Un nuevo enfoque topológico para la inferencia causal.
Muestreo Adaptativo Restringido por Rechazo (CARS)
Descubre CARS, un método que mejora el muestreo por rechazo en modelos de lenguaje para generar textos válidos y diversos sin distorsionar la distribución. Más eficiencia y calidad.
Redondeo Adaptativo que Preserva el Modelo
Descubre YAQA, el algoritmo de redondeo adaptativo que reduce el error de cuantización un 30% sin sobrecarga. Preserva la distribución del modelo original.
EvoPrompt: Evolución Guiada de Prompts para VLMs
EvoPrompt: evolución guiada de prompts para adaptación sin olvido de VLMs en pocos datos. Preserva conocimiento pre-entrenado.
Codificador/Decodificador que Preserva Geometría en Modelos Generativos Latentes
Descubre cómo un nuevo framework de codificador/decodificador preserva la geometría de los datos, acelerando la convergencia en modelos generativos latentes.
Predicción Temprana de Sepsis Multicéntrica: Aprendizaje Federado con Privacidad
Descubre cómo el aprendizaje federado predice sepsis en múltiples centros sin comprometer la privacidad. Estudio real con 648 pacientes.
DPDL: Privacidad diferencial en aprendizaje descentralizado con datos no IID
DPDL protege tu privacidad en aprendizaje descentralizado con datos no IID mediante calibración y ruido gaussiano. Logra velocidad lineal y alta precisión.
Tráfico como árboles: Marco jerárquico basado en grafos para análisis cifrado
Descubre PTGAMoE: marco jerárquico para análisis de tráfico cifrado que preserva semántica y supera a SOTA.
QO-Bench: Diagnosticando la recuperación con operadores de consulta
Descubre QO-Bench: un benchmark que diagnostica la recuperación con operadores sobre tuplas de eventos. ¿Tu RAG ejecuta consultas correctamente?
Por qué los LLMs reescriben la historia y cómo restaurarla
Los LLMs tienden a modernizar textos históricos. Descubre cómo el marco HAV con sistemas multiagente restaura la precisión documental. Lee más.
Desaprendizaje rápido a gran escala vía autocorrección de margen
MASC ofrece desaprendizaje rápido a gran escala para modelos de lenguaje, sin reentrenamiento. Mejora la eficiencia y preserva la utilidad. ¡Conoce el método!