PINNs de doble red para control óptimo: benchmark en sistema masa-resorte
Descubre cómo las PINNs de doble red resuelven el control óptimo de un sistema masa-resorte con alta precisión en un benchmark reproducible.
#rep
Replay fuera de política: desaprendizaje eficiente en LLM
Aprende cómo ReRULE usa replay off-policy para desaprender LLMs, reutilizando casos difíciles y mejorando retención un 21% sin sacrificar rendimiento.
Analizando representaciones visuales de aeronaves con autoencoders dispersos
Descubre cómo los autoencoders dispersos revelan patrones visuales en aeronaves, mejorando la interpretabilidad de modelos de IA.
Simetría emergente de retokenización en modelos de lenguaje
La retokenización descubre una simetría oculta en modelos de lenguaje. Aprende cómo esta técnica mejora el muestreo y revela la comprensión composicional.
EIBench: Un benchmark interactivo para la gestión emocional en IA
Descubre EIBench, un benchmark interactivo para gestión emocional. CTC-GRPO mejora la inteligencia emocional de los LLMs en múltiples turnos.
Q-error y arrepentimiento del plan: tres regímenes
Descubre cuándo el q-error predice realmente la calidad de los planes de consulta y cómo tres regímenes de error revelan sus limitaciones. Un análisis basado
Incentivos y evidencia en la orquestación de servicios aprendida
Analizamos por qué los sistemas de orquestación con RL no llegan a producción: sesgos, incentivos y necesidad de evidencia operativa.
Descenso de Gradiente Funcional con Representaciones Adaptativas
Nuevo algoritmo de Descenso de Gradiente Funcional adapta representaciones, garantiza convergencia y supera a métodos tradicionales en eficiencia y precisión.
Geometría de datos: revisión matemática de espacios de formas
Descubre cómo el análisis de espacios de formas revela patrones ocultos en datos geométricos. Revisión matemática para científicos de datos.
Desenredo de Prompts con Guía de Lenguaje para Generalización de Dominio
Descubre cómo el desenredo de prompts con guía de lenguaje y alineación de representaciones mejora la generalización de dominio en modelos de visión con CLIP y
Q-Learning con arrepentimiento fino basado en brechas
Nuevos algoritmos UCB y AMB mejoran el arrepentimiento fino dependiente de brecha en Q-Learning, superando limitaciones previas en MDP tabulares.
Aprendizaje autosupervisado como comunicación discreta
Descubre cómo el aprendizaje autosupervisado se transforma en un proceso de comunicación discreta entre redes, mejorando la estructura de las representaciones
Identificación del Mejor Brazo con Arrepentimiento Mínimo
Descubre cómo el algoritmo Double KL-UCB identifica el mejor brazo minimizando el arrepentimiento acumulado. Un avance clave en bandidos multimodales con
RL eficiente guiando modelos del mundo con datos no curados
Descubre cómo guiar modelos del mundo con datos no curados acelera el aprendizaje por refuerzo, duplicando la puntuación en 72 tareas visuomotoras.
Beneficios de la normalización de pesos en sensado matricial sobreparametrizado
Descubre cómo la normalización de pesos acelera exponencialmente la convergencia en detección de matrices sobreparametrizadas. Un avance teórico clave.
Análisis espectral: características ricas no garantizan mejor generalización
Descubre cómo el análisis espectral de características moleculares revela que más datos no siempre mejoran la generalización en modelos de machine learning.
Arrepentimiento Casi Óptimo en Bandidos Adversariales Distribuidos
Descubre cómo un nuevo algoritmo de caja negra logra arrepentimiento casi óptimo en bandidos adversariales distribuidos, superando records previos. ¡Lee más!
GauS: Optimización de Scheduling con Reparametrización Gaussiana
Descubre cómo GauS optimiza el scheduling con reparametrización gaussiana, logrando resultados Pareto-óptimos en compilación y hardware.
CAP: Representaciones PPG con supervisión a nivel paciente
CAP mejora la representación PPG al alinear con datos clínicos de pacientes. Logra hasta +87% en predicción respiratoria.
InfoNCE induce una distribución gaussiana
Descubre cómo InfoNCE genera estructuras gaussianas en representaciones de aprendizaje contrastivo. Un análisis teórico con experimentos en CIFAR-10.