CoMetaPNS: Meta-aprendizaje continuo para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, el nuevo marco de meta-aprendizaje continuo que evita el olvido catastrófico en simulaciones cardíacas personalizadas.
#secuencia
Modelado generativo de estructuras latentes discretas con gradientes de política
GReinSS aplica gradientes de política dinámicos para modelar estructuras latentes discretas. Supera a RSEM en reconstrucción de isoformas de ARN.
Chunking the Critic: SAC con Transformer y retornos N-paso
Descubre cómo un crítico con Transformer y retornos N-paso mejora el SAC en tareas de horizonte largo y recompensas dispersas, superando métodos estándar.
Reconstrucción de trazas con modelos de lenguaje
Descubre cómo TReconLM, un modelo de lenguaje basado en transformers, revoluciona la reconstrucción de trazas de ADN, superando algoritmos previos con alta precisión.
RETROSPECT: Retrosíntesis con predicción y reordenamiento químico
Descubre RETROSPECT, un sistema que combina un Transformer con un reranker para mejorar la retrosíntesis en química. Hasta 55% top-1 exacto.
Representaciones causales discretas en dominios heterogéneos: enfoque bayesiano
Descubre cómo la inferencia bayesiana aprende representaciones causales discretas a partir de encuestas sociales en distintos dominios.
Avances en procesos puntuales temporales: enfoques Bayesianos, neuronales y LLM
Descubre cómo procesos puntuales temporales integran modelos Bayesianos, deep learning y LLMs para analizar eventos. Revisión de técnicas actuales.
Avances en Procesos Puntuales Temporales: Enfoques Bayesianos, Neuronales y de LLM
Descubre los últimos avances en procesos puntuales temporales (TPP): métodos bayesianos, redes neuronales y LLMs. Aplicaciones y futuro de la modelización de eventos.
Detección en Línea de Anomalías con Mezclador Causal de Clústeres
Nuevo modelo de IA detecta anomalías en tiempo real en series temporales multivariadas usando clústeres y causalidad, superando a métodos tradicionales.
Procesos Neuronales Transformer Incrementales
Aprende sobre incTNP: el modelo que permite actualizaciones incrementales en procesos neuronales transformer, logrando eficiencia lineal y rendimiento comparable o superior.
Optimización de Política de Secuencia Suave
Descubre Soft Sequence Policy Optimization: un nuevo método off-policy que mejora la estabilidad y rendimiento en tareas de razonamiento y codificación para LLMs.
Level Up: Problemas Transicionales en Aprendizaje Curricular
Descubre cómo medir la dificultad de problemas de forma dinámica para entrenar modelos de IA más eficientes con el método de problemas transicionales.
Pruebas de hipótesis secuenciales multi-brazo mediante apuestas
Optimiza pruebas secuenciales multi-brazo mediante apuestas. Alcanza tasas de rechazo óptimas incluso sin conocer el mejor brazo.
Cierre no markoviano asistido por Mamba para modelado de orden reducido
Descubre cómo el modelo MAC, basado en Mamba, mejora la precisión y estabilidad en el modelado de orden reducido de sistemas dinámicos.
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.
Generación adaptativa de datos secuenciales con modelos de difusión
Descubre cómo los modelos de difusión generan datos secuenciales sin anticipación. Aprende el nuevo marco forward-backward para series temporales realistas.
No todos los errores son iguales: asignación de cómputo según consecuencias
Asigna cómputo según el costo real de errores, no solo dificultad. Reduce pérdidas hasta 33% con método consciente de consecuencias.
MesaNet: Entrenamiento Localmente Óptimo en Tiempo de Prueba
MesaNet optimiza el entrenamiento en tiempo de prueba para mejorar el rendimiento en secuencias largas. Menor perplejidad y mayor eficiencia.
MesaNet: Modelado de secuencias con optimización en tiempo de prueba
Descubre MesaNet, un modelo recurrente que optimiza capa por capa en inferencia. Mejora rendimiento en contextos largos sin aumento lineal de memoria.
Aprendizaje por refuerzo superior con interacción humano-IA
Descubre cómo la interacción humano-IA crea una super-política que supera al aprendizaje por refuerzo tradicional, incluso con confusión.