EDEN: corpus a gran escala de notas clínicas en italiano
EDEN: 4 millones de notas clínicas anonimizadas de urgencias italianas. Un dataset único para entrenar modelos de lenguaje en diagnóstico de disnea y pérdida de conciencia.
#pérdida
Agrupamiento temporal robusto con modelos de salto ponderados
Descubre un modelo robusto de agrupamiento temporal que pondera características según el estado y maneja outliers con Tukey. Ideal para análisis de conflictos y economía.
Startups: Solo se acuerdan de los backups después del desastre
Tras un accidente, los datos pueden perderse para siempre. Aprende cómo proteger tu startup con copias de seguridad probadas.
¿El cardio en ayunas quema más calorías y grasa?
Descubre la verdad científica sobre el cardio en ayunas: ¿quema más grasa o es un mito? Aprende cómo afecta tu rendimiento y pérdida de peso.
Trap²: Protección contra fusiones ilegítimas de modelos
Aprende cómo Trap² protege tus modelos de IA contra fusiones no autorizadas, degradando el rendimiento bajo reescalado sin afectar su uso legítimo.
Modelos a prueba de fusiones gracias a un paisaje de pérdida sensible a escala
Evita que terceros fusionen tus modelos de IA sin permiso. Con Trap², proteges tus pesos durante el fine-tuning sin afectar su uso individual. Descubre cómo.
Deep learning como sustituto escalable de modelos físicos en electrocardiología
Descubre cómo un modelo de deep learning predice ECG con alta precisión, superando simulaciones físicas en velocidad y escalabilidad para aplicaciones clínicas.
Mejora en la Detección de Nodos Raros en Aprendizaje Jerárquico Multi-etiqueta
Mejora la detección de nodos raros en clasificación jerárquica multi-etiqueta con pérdida ponderada. Aumenta el recall hasta 5x y optimiza tus modelos.
Diagnóstico del paisaje de pérdida en inversión Gray-Scott
Descubre por qué falla la optimización directa en la inversión del sistema Gray-Scott y cómo los componentes PINN evitan este problema. Análisis del paisaje de pérdida.
RCAP: poda dinámica de datos robusta y consciente de clases
Descubre RCAP, un algoritmo de poda dinámica que mantiene alta precisión en clases minoritarias usando solo el 10% de los datos. ¡Acelera tu entrenamiento!
MASK: Planificación K-Semántica para Robótica 6G Sensible al Riesgo
MASK: sistema de planificación semántica multiagente para robótica 6G que optimiza el espectro y mantiene rendimiento con acceso limitado.
Enseñando a la difusión a especular de izquierda a derecha
Descubre cómo tres intervenciones mejoran la decodificación especulativa, aumentando la longitud de secuencia aceptada hasta un 76% con modelos de difusión.
El verdadero costo de un ciberataque a tus finanzas personales
Ciberataques: costos ocultos de tiempo, dinero y estrés. Aprende a cuantificar tu riesgo y protege tus finanzas. ¡Calcula tu exposición ahora!
Incrustación de sistemas híbridos en campos vectoriales latentes continuos
Incrusta sistemas híbridos en campos vectoriales continuos para optimización diferenciable. Neural ODE latente supera alternativas en aprendizaje de series temporales.
CLP: Predicción de Longitud de Colocación para Inferencia Multi-Token Adaptativa
CLP acelera inferencia de LLMs hasta 1.29x sin pérdida. Predice longitud de colocación para decodificación multi-token adaptativa.
¿Cuándo los modelos autoregresivos pronostican campos de onda físicos?
¿Sabes cuándo falla el pronóstico autoregresivo de ondas sísmicas? Este estudio controlado identifica los factores clave y el próximo desafío: la fase.
Conservación de leyes por simetría de datos en redes neuronales
Descubre cómo las simetrías en los datos pueden generar cantidades conservadas durante el entrenamiento de redes neuronales con pérdida MSE. Un análisis profundo de las redes tensorizables.
¿Red más profunda o más ancha? Error de generalización óptimo
¿Red más profunda o ancha? Descubre cómo datos, parámetros y regularidad determinan la arquitectura óptima. Aplicación en PDEs con deep Ritz y PINN.
AdaGC: Mejora la estabilidad del preentrenamiento con recorte adaptativo
AdaGC mejora la estabilidad del preentrenamiento de modelos de lenguaje grandes (LLM) eliminando picos de pérdida y aumentando la precisión en hasta 2.48%.
Sesgo de distancia de representación en modelos de recompensa
El sesgo de distancia en la pérdida BT distorsiona el aprendizaje de modelos de recompensa. NormBT lo corrige con normalización adaptativa, mejorando la precisión hasta un 5%.