Clonado conductual en anotación científica: un estudio sistemático
El clonado conductual optimiza la anotación de datos, reduce errores y acelera procesos. Estudio revela habilidades emergentes y representaciones internas.
#reentrenamiento
SlideCheck: guía el preentrenamiento de modelos de patología con distribuciones
Descubre cómo SlideCheck guía el preentrenamiento de modelos de patología con distribuciones de datos para filtrar y auditar parches WSI, mejorando eficiencia y control en el desarrollo de IA.
Preentrenamiento con datos limitados: regularización mejorada y leyes de escalado
La regularización MIR y la ley SoftQ mejoran el preentrenamiento con datos limitados, equivalente a 1.3 veces más datos.
GRASP: Alineación Residual Geométrica para Atribución de Datos Escalable
GRASP: nuevo método de atribución de datos que duplica la precisión y reduce costos en entrenamiento de IA.
GRASP: Alineación Residual Geométrica para Atribución Escalable
Descubre GRASP, un método innovador que modela interacciones entre subconjuntos para optimizar la atribución de datos en preentrenamiento a gran escala. Mejora eficiencia y precisión.
Modelo fundacional generativo para diseño de polímeros lineales
Descubre PolyConFM, el modelo fundacional que revoluciona el diseño de polímeros lineales usando IA generativa centrada en conformación. Mejora precisión en múltiples tareas.
Tiempo hasta evento marcado: nuevo objetivo para modelos EHR
Descubre cómo un nuevo objetivo de preentrenamiento que modela el tiempo y valor de eventos clínicos mejora los modelos fundacionales EHR, logrando representaci
OneReason: Razonamiento en Recomendaciones Generativas
Descubre OneReason, el nuevo enfoque que combina percepción y cognición para activar el razonamiento en modelos de recomendación generativa.
LatentWave: Preentrenamiento JEPA para modelos base inalámbricos
LatentWave: modelo base inalámbrico con preentrenamiento JEPA. Aprende representaciones latentes transferibles para clasificación, posicionamiento y predicción.
PC Layer: Preacondicionamiento de Pesos Polinomial para Mejorar el Pre-entrenamiento de LLMs
La capa PC estabiliza el espectro de valores singulares en LLMs, mejorando convergencia sin overhead de inferencia. Optimiza tu pre-entrenamiento.
IR3DE: Router Lineal para Grandes Modelos de Lenguaje
IR3DE: router lineal que selecciona el mejor modelo experto para cada prompt, logrando 98.4% de rendimiento sin reentrenamiento. Optimiza tus inferencias.
Predicción contrafactual con redes causales ajustadas por prior
Descubre CausalLongPFN, un modelo preentrenado con datos sintéticos que predice resultados contrafactuales en secuencias temporales sin necesidad de reentrenamiento. Competitivo en benchmarks reales.
Teoría de alta dimensión del ajuste fino LoRA en atención
Teoría de alta dimensión para ajuste fino LoRA en atención. Descubre cómo el pre-entrenamiento afecta el error de prueba y la alineación. Ideal para optimizar modelos.
Autoinvestigación en dos niveles: meta-investigación de sí mismo
Un marco bilevel de autoinvestigación mejora 5x el preentrenamiento de GPT, optimizando su búsqueda sin intervención humana.
Transcriptómica espacial como imágenes para preentrenamiento a gran escala
Descubre cómo tratar la transcriptómica espacial como imágenes permite preentrenar modelos masivos, mejorando el rendimiento en estudios clínicos y patológicos.
RL en preentrenamiento de LLM: optimización temprana de políticas
Aplicar RL durante el preentrenamiento de LLM mejora rendimiento, superando al enfoque SFT→RL. Fusionar RL y SFT da mejores resultados sin perder capacidades.
Repensando incompletitud: divergencia de protocolos y aprendizaje único para IMVC
Descubre CRAFT: un entrenamiento único supera la divergencia de protocolos en IMVC. Elimina reentrenamiento y logra robustez en datos faltantes.
Adaptador de texto para TabPFN sin cuello de botella PCA
Conoce el adaptador de texto para TabPFN que elimina el cuello de botella PCA, mejorando el rendimiento en datos tabulares con texto de alta cardinalidad.
OpenRFM: Diseccionando el Aprendizaje Relacional en Contexto
OpenRFM mejora un 30% el rendimiento en tareas relacionales. Su arquitectura dual y preentrenamiento inteligente superan a modelos comerciales.
q0: Primitivas para el preentrenamiento con hiper-épocas
Descubre q0: primitivas para preentrenar con hiper-épocas. Genera una población de modelos diversos que logran menor pérdida de validación con hasta 4.6x menos épocas.