Optimización Latente Desacoplada para Inversión de Onda Completa con Difusión
DLO optimiza inversión de onda con difusión: supera a regularizadores clásicos en OpenFWI, Marmousi y Overthrust, robusto a ruido y datos faltantes.
#regularización
Optimización Latente Desacoplada para Inversión de Forma de Onda Completa
El nuevo método DLO optimiza la inversión de forma de onda completa, superando técnicas clásicas y de difusión en datos sísmicos con ruido y trazas faltantes.
Modelado de sensibilidad para modelos latentes
Aprende cómo la regularización de sensibilidad en modelos latentes mejora la detección de salidas de distribución, logrando una planificación más segura en robótica.
Regresión Logística Matricial con Regularización Nuclear y L1 para Imágenes Cerebrales
Descubre cómo la combinación de regularización nuclear y L1 permite modelar predictores matriciales de alta dimensión para identificar patrones en conectividad
DiPOD: Políticas de Difusión sin Deriva
DiPOD revoluciona la optimización de políticas de difusión: estabiliza el entrenamiento, evita la deriva doble y alcanza mayores recompensas. ¡Conócelo!
Optimización de despacho tripartito con RL multiagente y feedback retardado
Descubre cómo DoorDash optimiza el despacho en marketplaces tripartitos usando aprendizaje por refuerzo multiagente con feedback retardado, mejorando eficiencia sin sacrificar calidad.
Cuando el contexto regresa: internalización robusta en destilación on-policy
¿Sabías que reintroducir el contexto a un modelo destilado puede empeorar su rendimiento? Descubre cómo un ligero regularizador lo evita.
Mirror Descent: sensibilidad exponencial a la inicialización
Descubre cómo Mirror Descent puede amplificar pequeños errores de inicialización de forma exponencial, afectando la reproducibilidad en entrenamiento de IA y modelos de lenguaje.
Flujo Latente Regularizado Espectralmente para Turbulencias
La regularización espectral en flujo latente eleva la potencia espectral retenida al 94% en turbulencias sintéticas. Conoce el innovador método.
Aprendizaje continuo con mezcla de experiencias en límites de soporte
Descubre cómo el método Experience Blending mejora el aprendizaje continuo hasta un 13% al regularizar límites de decisión con datos de soporte generados mediante ruido diferencial.
Flujo latente regularizado espectralmente para generación de turbulencia
Descubre cómo la regularización espectral logra un 94% de retención en disipación profunda para generar turbulencia más precisa.
NARRAS: Inferencia distribuida para localización CSI en IoT vehicular
Descubre cómo NARRAS optimiza localización vehicular basada en CSI al reducir transmisiones, mejorando precisión con presupuesto de actividad limitado.
Lung-SRAD: Aprendizaje contrastivo para clasificación de sonidos respiratorios
Lung-SRAD: nuevo método SSM para clasificación de sonidos respiratorios que supera al AST en un 5% en ICBHI. Regularización espectral y aprendizaje contrastivo.
Adaptación gradual de dominio basada en flujos: transporte óptimo semidual
Descubre cómo el marco E-SUOT mejora la adaptación gradual de dominio usando transporte óptimo semidual, superando limitaciones de estimación de verosimilitud.
SPDM: Modelado con restricciones de variedad para series temporales
Descubre SPDM, un modelo con restricciones de variedad para pronóstico preciso y eficiente de series temporales.
DICE: Selección de equilibrio con entropía para coordinar múltiples LLMs
¿Tu sistema multi-agente LLM es inestable? DICE resuelve la selección de equilibrio con entropía para mejorar precisión y eficiencia. ¡Descubre los resultados!
DICE: Selección de equilibrio regularizada para coordinación estable de LLM
DICE resuelve inestabilidad en LLM multiagente con selección equilibrio regularizada por entropía, mejorando precisión y costes.
Optimización con restricciones para predicción robusta de estabilidad proteica
Nuevo marco de optimización con restricciones mejora la predicción de estabilidad proteica, elevando correlación Spearman sin cambios arquitectónicos.
Optimización con restricciones para predicción robusta de estabilidad proteica
Nuevo método optimiza predicción de estabilidad proteica sin cambiar arquitectura y logra mayor robustez en datos fuera de distribución.
Estabilidad en RNNs con coherencia hacia atrás
Aprende cómo la coherencia hacia atrás estabiliza RNNs, reduciendo errores hasta un 58% y acelerando la convergencia en un 44%. Basado en teoría de cuasi-martingala inversa.