TimeROME-DLM: Edición de conocimiento en inferencia sin entrenamiento
TimeROME-DLM permite editar conocimiento en modelos de difusión enmascarados sin reentrenar. Rápido, sin VRAM extra, escala a 400 hechos. ¡Conócelo!
#rango
LoRA-Muon: descenso espectral en el manifold de bajo rango
Descubre LoRA-Muon: optimiza fine-tuning con bajo rango, transfiere tasas de aprendizaje, supera líneas base densas. Eficiente en memoria.
Range-Arithmetic: Inferencia verificable de deep learning en parte no confiable
Descubre cómo Range-Arithmetic verifica inferencias de deep learning sin re-ejecución, reduciendo costos y comunicación. Ideal para IA descentralizada.
Range-Arithmetic: Inferencia Verificable de Deep Learning en Parte No Confiable
Range-Arithmetic verifica inferencias deep learning sin reejecución, reduciendo costos y overhead de comunicación. Ideal para blockchain.
Optimización Bayesiana con Rango para Diseños Diversos en Ventanas de Propiedades
Optimización Bayesiana consciente de rango descubre múltiples diseños diversos en ventanas de propiedades objetivo. Ideal para diseño de materiales y síntesis.
Bandidos logísticos multinomiales eficientes con Frequent Directions
Descubre EOFD-MLogB: un algoritmo que reduce drásticamente el tiempo y espacio en bandidos logísticos multinomiales mediante sketching, manteniendo un alto rendimiento.
Identificación puntual de predictor robusto bajo cambio latente
El framework PQAL identifica un predictor robusto bajo cambio latente con proxies imperfectas. ¡Descubre cómo optimiza la adaptación de dominio!
Reidentificación Robusta al Cambio de Ropa con Subespacios Ortogonales
Descubre Ortho-ReID, subespacios ortogonales de bajo rango para reidentificar personas con cambio de ropa. Supera en hasta un 5.9% a los mejores.
Adaptación de bajo rango con restricción de espacio nulo para desaprendizaje de LLM
Descubre cómo NSRU permite desaprender conocimiento no deseado en LLMs preservando capacidades benéficas mediante adaptación de bajo rango con espacio nulo.
Optimización SAV acelerada con Hessiana de bajo rango aleatoria
Descubre cómo N-RSAV acelera optimización SAV con Hessiana, logrando convergencia rápida en problemas mal condicionados como PINNs.
Acelerando optimización SAV con Hessiana de bajo rango aleatorizada
N-RSAV acelera la optimización SAV con Hessiana de bajo rango aleatoria. Logra convergencia más rápida en PINNs y problemas mal condicionados.
Predicción Adaptativa de Tensores para Datos en Streaming
Nuevo marco de regresión tensorial adaptativa para predicción en streaming: modelos MoM y ToM con SGD. Reduce errores y mejora el filtrado de ruido en datos de alta dimensión.
Cuando las métricas no coinciden: meta-análisis de KGC
Descubre cómo un meta-análisis resuelve las discrepancias entre métricas en modelos KGC usando MCDM. Identifica el mejor agregador y modelo para predicción.
Redes residuales MLP: colapso de rango y puntos fijos
Primera evidencia cuantitativa: redes residuales MLP implementan coarse-graining selectivo con colapso de rango y puntos fijos.
Dinámica espectral y geometría del ruido de Muon
Exploramos la dinámica espectral y geometría del ruido del optimizador Muon: su sesgo hacia espectro plano y cuándo es útil frente a AdamW. Resultados experimentales.
¿Cuándo son reales los descubrimientos de interacciones neuronales?
¿Son reales las interacciones neuronales? Un diagnóstico previo basado en el rango efectivo de la covarianza ayuda a detectar artefactos en modelos de IA.
¿Son reales las interacciones neuronales? Identificabilidad y diagnóstico
Descubre cómo saber si las interacciones neuronales que detecta tu modelo son reales o artefactos. Un diagnóstico basado en el rango efectivo te ayuda antes de ajustar el modelo.
Wedge Sampling: completación tensorial con complejidad casi lineal
Descubre cómo Wedge Sampling optimiza la completación de tensores con complejidad casi lineal, cerrando la brecha estadístico-computacional.
Resolución adaptativa para procesos gaussianos de rango finito
La resolución adaptativa en procesos gaussianos de rango finito logra tasas de contracción óptimas. Descubre el nuevo método que revoluciona la inferencia.
Conteo de subgrafos en rangos con privacidad diferencial
Descubre cómo el conteo privado de subgrafos en rangos protege tus datos, ofreciendo respuestas precisas con baja sensibilidad y nuevos algoritmos.