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.
#propagación
Aprendizaje resistente al ruido de etiquetas con máscara de daño cerebral óptimo
Enmascaramiento selectivo de bordes basado en OBD intercepta gradientes ruidosos y mejora robustez frente a etiquetas ruidosas. Plug-and-play superior.
ENBP: Propagación de Creencias Neural Equivariante
ENBP aplica simetría SE(3) a la inferencia probabilística, logrando precisión submilimétrica en moléculas y robótica, 100x más rápido que difusión.
Alucinación en cascada en RAG agentivo: Marco CHARM para detección y mitigación
Descubre cómo CHARM detecta alucinaciones en cascada en RAG con 89.4% de precisión y 5.3% de falsos positivos. Aprende a mitigar errores en pipelines RAG.
No necesitas IA de élite para crear un gusano caótico
Un nuevo gusano informático basado en IA gratuita demuestra que no se necesitan modelos avanzados para causar caos. Conoce los detalles.
Olvido y estabilidad en modelos generativos basados en puntuación
Descubre cómo la estabilidad y el olvido en modelos generativos basados en puntuación mejoran el muestreo. Análisis de la propagación de errores.
SC-TauPath: atribución de conectividad estructural para rutas de tau
Descubre cómo SC-TauPath usa conectividad estructural y redes neuronales para mapear rutas de tau en Alzheimer, validando el estadiaje de Braak.
Mecánica del Autograd Textual: Grafos de Cómputo en Optimización de Lenguaje
Descubre cómo TEXTGRAD aplica la retropropagación de texto para optimizar prompts, código y soluciones en sistemas de IA. Un enfoque innovador basado en gradientes textuales y grafos de cómputo.
Campos Neuronales como Modelos del Mundo
Campos neuronales para predicción física y aprendizaje offline. Una arquitectura isomórfica que mejora políticas sin interacción con el entorno.
FFR: Aprendizaje Forward-Forward para Regresión
Descubre FFR, el primer algoritmo Forward-Forward para regresión que iguala el 98.6% de precisión de backprop con solo un 27% de memoria. ¡Innovación en IA!
¿Campos precisos engañan al diseño fotónico? De precisión global a lectura de puertos
Descubre cómo PaNO mejora la precisión de lectura en puertos de diseño fotónico, reduciendo errores hasta un 72% frente a métodos tradicionales.
RMPrior: priors de propagación y difusión para mapas de radio eficientes
Descubre RMPrior: acelera 2x la construcción de mapas de radio combinando priors de propagación y difusión, mejorando precisión y eficiencia. ¡Lee más!
RMPrior: Priors de propagación y refinamiento por difusión en mapas de radio
Aprende cómo RMPrior combina priors de propagación y difusión para crear mapas de radio 2x más rápido con mejor precisión.
Modelo base de grafos con análisis espectral y propagación guiada por prototipos
Descubre cómo SPG combina filtros Chebyshev y prototipos para generalizar entre grafos de distintos dominios. Mejora la transferencia de conocimiento en IA.
Modelo Fundacional de Grafos con Parseo Espectral y Propagación Espacial Guiada
Descubre SPG, un modelo fundacional de grafos que combina parseo espectral y propagación guiada por prototipos para transferencia entre dominios.
GEAR: Mitigando la propagación de crédito falso en RL con rubricas
GEAR mitiga la propagación de crédito falso en RL con rubricas, logrando mejoras del 15.5% y reduciendo errores un 96.5%. Conoce cómo.
Mitigación del Crédito Falso en RL con Rúbricas
GEAR soluciona la propagación de crédito falso en RL con rúbricas mediante agregación gráfica probabilística. Logra mejoras de hasta 15.5% en HealthBench, WritingBench y PLawBench.
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio logra 13.23% error top-5, igualando casi la retropropagación.
Aproximación cuantitativa para destilación de flujo en difusión
Nuevo marco de aproximación cuantitativa mejora la destilación de flujo en difusión, reduciendo errores hasta 51.9% con particiones no uniformes.
Backpropagación Estructurada Eficiente en Memoria para Ajuste Fino de LLM
Descubre MeSP: reduce un 49% la memoria al ajustar LLMs en dispositivos, con gradientes exactos. Ideal para entrenamiento privado.