Visualizando la geometría del espacio latente de LLMs con reducción de dimensionalidad
Descubre cómo visualizar la geometría oculta de los modelos de lenguaje como GPT-2 y LLaMa usando PCA y UMAP. Patrones sorprendentes en atención y MLP.
#reducción de dimensionalidad
Bandit Logístico Multinomial Eficiente con Frequent Directions
Descubre cómo EOFD-MLogB reduce drásticamente el tiempo y espacio en bandits logísticos multinomiales usando sketching de matrices.
Marco NVAR Adaptativo Mejorado con PCA para Pronóstico de Alta Resolución de SST
Marco NVAR Adaptativo con PCA para pronóstico de alta resolución de SST en el Mar del Este. Reduce errores y es rápido para tiempo real.
Mejora de Embedding Espectral con Transferencia Robusta y Flexible en EHR
Descubre cómo mejorar embeddings espectrales en EHR con transferencia de conocimiento robusta y flexible, superando datos escasos en enfermedades raras.
Ortogonalidad y dimensionalidad en clústeres de aerolíneas con PCA y Kernel PCA
Descubre cómo PCA y Kernel PCA revelan la robustez de clústeres en aerolíneas, y por qué el silueta indica solo 3 grupos.
Ortogonalidad en clústeres de aerolíneas: PCA y Kernel PCA
Descubre cómo PCA y Kernel PCA revelan la estructura oculta en los ciclos de ganancias de aerolíneas estadounidenses (1995-2020).
Eigenmapas de Transporte Óptimo Entrópico: alineación y embedding conjunto
Descubre cómo los Eigenmapas de Transporte Óptimo Entrópico permiten alinear y proyectar conjuntos de datos de alta dimensión de forma precisa y robusta.
Poda de subespacios de Koopman en espacios de kernel con vectores principales
Descubre cómo podar subespacios de Koopman en RKHS usando vectores principales para mejorar la precisión predictiva en sistemas dinámicos con grandes datos.
Reducción de dimensionalidad para clasificación de ciberataques: PCA vs LPC
Descubre cómo PCA y LPC reducen la dimensionalidad en clasificación de ciberataques sin perder precisión. Una comparativa clave para optimizar sistemas de ciberseguridad.
Cálculo eficiente de curvatura media en variedades de datos de alta dimensión
Descubre cómo calcular la curvatura media en datos de alta dimensión con un método que reduce el costo computacional hasta 300 veces, manteniendo precisión. Ideal para ML.
Modelos de difusión con información física en espacio espectral
Descubre cómo los modelos de difusión en espacio espectral integran leyes físicas para resolver PDEs con eficiencia y precisión. Ideal para ingeniería y ciencia.
Modelado de orden reducido de Hamiltonianos con redes simplécticas
Descubre cómo las redes neuronales simplécticas preservan la estructura hamiltoniana en modelos reducidos, logrando simulaciones precisas y estables a largo plazo.
ShapDBM: Explorando Mapas de Fronteras de Decisión en el Espacio Shapley
ShapDBM transforma datos al espacio Shapley para crear mapas de fronteras de decisión más compactos, precisos y fáciles de interpretar. Mejora la visualización de clasificación.
ScaleMAP: Preserva densidad local y estructura de vecindario en embeddings
ScaleMAP preserva densidad local y estructuras de vecindario que UMAP pierde. Ideal para transcriptómica y citometría de flujo.