scBatchProx: Refinamiento federado para estabilidad de tipos celulares
Descubre scBatchProx, un método de refinamiento ligero inspirado en federated learning que estabiliza embeddings de células individuales y mejora la clasificaci
#refinamiento
FLARE: Retroalimentación Diagnóstica para Refinar Código con LLM
Descubre FLARE: retroalimentación precisa a nivel de línea para depurar código LLM. Mejora la precisión hasta un 8.5%.
Mezcla de agentes sin entrenamiento para resumir documentos con LLMs y grafos
Descubre cómo un framework sin entrenamiento combina LLMs y grafos de conocimiento para resumir múltiples documentos con alta precisión y adaptabilidad.
Aprendizaje por refuerzo con agente autorrefinado para navegación UAV con visión
AgenticRL usa un agente GPT para diseñar recompensas y refinar la navegación UAV con visión, logrando un 91% de éxito real y un 94% de precisión sim-real.
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.
Refinamiento iterativo espectral-desacoplado para predicción de precipitaciones
Descubre SDIR: elimina desenfoque y alucinaciones en nowcasting con refinamiento espectral-desacoplado. Alta precisión y fidelidad.
Cómo el escalamiento en inferencia beneficia el preentrenamiento generativo
El escalamiento en inferencia mejora el preentrenamiento generativo, superando la falsa dicotomía entre autoregresión y difusión.
KG-FairDiff: refinamiento de prompts para generación de imágenes justas
KG-FairDiff reduce sesgos demográficos en generación de imágenes vía refinamiento de prompts con grafos de conocimiento. Sin reentrenamiento, mejora equidad.
Residuales PINN para refinamiento adaptativo de malla en EDP
Los residuales de redes informadas por física guían el refinamiento adaptativo de malla en solucionadores de EDP, reduciendo errores con menos grados de libertad. ¡Descubre cómo!
Aproximación con Redes Neuronales Multigrado
Descubre cómo el enfoque Multigrade Deep Learning permite entrenar redes profundas por grados, reduciendo errores residuales y garantizando convergencia uniforme en arquitecturas ReLU.
Retroceder sin olvidar: Refinamiento selectivo en aprendizaje continuo
Descubre SABER: refinamiento selectivo para transferencia positiva en aprendizaje continuo sin olvidar.
Refinamiento Selectivo Hacia Atrás para Aprendizaje Continuo Eficiente
SABER permite transferencia positiva de conocimiento hacia atrás en aprendizaje continuo sin olvidar, usando refinamiento selectivo eficiente.
Rastreando la alfabetización en GenAI: patrones estudiante-IA
Analítica del aprendizaje revela patrones distintos en interacción IA según nivel de alfabetización en GenAI. Estudio con 162 estudiantes.
Refinamiento de pose humana mediante aprendizaje basado en ángulos articulares
Descubre cómo el método JAR, basado en ángulos articulares y redes recurrentes, refina la estimación de pose humana corrigiendo errores y suavizando trayectoria
De la fusión al arbitraje: segmentación 3D multimodal con pocos ejemplos
DA-FSS resuelve el dilema plasticidad-estabilidad en segmentación 3D multimodal con pocos ejemplos, superando a MM-FSS en S3DIS y ScanNet.
Caracterización empírica de transformaciones de probabilidad en LLMs
Descubre cómo las transformaciones de probabilidad inducidas en tiempo de inferencia en LLMs siguen patrones log-ratio reproducibles. Un análisis empírico de 4,975 problemas.
Refinamiento Evolutivo de Topologías de Grafos Generativas: Un Enfoque Híbrido WGAN-GA
Refinamiento evolutivo de topologías de grafos con WGAN-GA para optimizar estructuras de redes complejas.
Cuando el diseño de recompensas de los LLM falla: Refinamiento impulsado por diagnóstico para RL estructurada dispersa
<meta content=Diagnóstico y refinamiento de recompensas en LLM cuando falla el RL disperso. Aprende a identificar y corregir errores en el diseño de recompensas para mejorar el entrenamiento>
Codebooks de instrucciones: Optimización composicional discreta para el refinamiento de instrucciones de modelos de lenguaje.
<meta content=Descubre cómo los codebooks optimizan instrucciones para modelos de lenguaje mediante optimización composicional discreta. Mejora tus prompts de forma eficiente. name=description>