Entrenamiento consciente de puntuación para generación musical con texto
Descubre cómo el entrenamiento consciente de puntuación permite generar música de alta calidad con pocos datos. Nuestro modelo FluxAudio logró el 2º puesto en ICME 2026.
#regularización
Ruptura de universalidad gaussiana: caracterización en ERM de alta dimensión
Descubre cómo la universalidad gaussiana se rompe en la minimización de riesgo empírico de alta dimensión y sus implicaciones para el aprendizaje automático
Detección de cambios en mapas ruidosos con operadores empíricos
Descubre un método para detectar cambios en la densidad invariante de mapas de intervalo ruidosos usando operadores de transferencia empíricos y regularización. Con garantías de falsa alarma.
Factorización interpretable para identificar factores latentes de psicopatología
Descubre cómo la factorización interpretable de cuestionarios clínicos revela factores latentes en psicopatología y mejora el diagnóstico.
Sesgos en conflicto en el borde de la estabilidad: norma vs nitidez
El aprendizaje no es solo minimizar la norma o la nitidez. Este estudio revela cómo la tasa de aprendizaje equilibra ambos sesgos implícitos. ¡Lee más!
Efecto de la reparametrización con campos neuronales en 4DVAR
Descubre cómo la reparametrización con campos neuronales estabiliza 4DVAR sin datos de entrenamiento, mejorando precisión y velocidad en asimilación de datos.
F3-Tokenizer: domando latentes de audio para entender y generar
Descubre cómo F3-Tokenizer domina los latentes de audio para mejorar tanto la comprensión como la generación, unificando ambos campos en un solo tokenizador.
Defensas en entrenamiento contra desalineación emergente en LLMs
Descubre las defensas durante el entrenamiento contra la desalineación emergente en modelos de lenguaje. Estrategias prácticas para APIs de fine-tuning.
Defensas durante el entrenamiento contra desalineación emergente en LLMs
Descubre cómo proteger modelos de lenguaje contra desalineación emergente en fine-tuning. Analizamos técnicas de regularización para mantener la alineación.
Aprendizaje por refuerzo profundo estable con representaciones gaussianas isotrópicas
Descubre cómo las representaciones gaussianas isotrópicas mejoran la estabilidad en aprendizaje por refuerzo profundo, reduciendo colapso de representación y neuronas inactivas.
Clasificación Multietiqueta Robusta con Regularización Adaptativa al Ruido
Mejora la clasificación multietiqueta de imágenes satelitales con NAR, que maneja ruido aditivo y sustractivo. Aprendizaje robusto.
Priors TV-ℓp generalizados para mapeo T1 bayesiano
Priors TV-ℓp generalizados mejoran la cuantificación de incertidumbre en mapeo T1 bayesiano, reduciendo sesgo y varianza para imágenes más fiables.
Descifrando dos relojes de entrenamiento en Grokking
Cómo el fenómeno Grokking separa el ajuste de datos de la simplificación de representaciones con dos relojes de entrenamiento. Teoría de redes lineales y ReLU.
Aprendizaje por refuerzo con regularización KL y mala especificación
Descubre cómo la regularización KL mejora el aprendizaje por refuerzo ante modelos incorrectos. Nuevas garantías teóricas para algoritmos robustos. ¡Lee más!
Autoencoders Dispersos Conscientes del Subespacio para Interpretabilidad Mecanicista
Descubre cómo SASA mejora la interpretabilidad de LLMs reduciendo la fragmentación de características y usando la mitad de los tokens de entrenamiento.
Machine Learning basado en física para predicción de inundaciones
Descubre cómo el Machine Learning basado en física mejora la predicción de inundaciones a corto plazo, incluso con datos limitados y condiciones extremas.
Ajuste del regularizador implícito en modelos de difusión enmascarada
Descubre cómo optimizar la distribución de probabilidad de máscara en modelos de difusión enmascarada mejora la generalización y el rendimiento en modelos de hasta 8B parámetros.
EvoPrompt: Evolución Guiada de Prompts para VLMs
EvoPrompt: evolución guiada de prompts para adaptación sin olvido de VLMs en pocos datos. Preserva conocimiento pre-entrenado.
Control de FDR con knockoffs en redes neuronales profundas
Descubre cómo los métodos knockoff controlan la tasa de falsos descubrimientos en redes profundas, simplificando modelos sin perder precisión.
Control de falsos descubrimientos y simplificación en DNN con knockoffs
Descubre cómo los métodos knockoff permiten seleccionar variables relevantes en redes neuronales profundas, reduciendo la complejidad y manteniendo el control de falsos descubrimientos.