ALMAB-DC: Aprendizaje Activo y Bandidos para Optimización Secuencial
ALMAB-DC: optimiza experimentos costosos con aprendizaje activo y bandidos. Acelera hasta 7.5x y supera benchmarks (93.4% en CIFAR-10).
#secuencia
Predicción bajo compresión imperfecta: teoría de MDL aproximado
Descubre cómo la compresión aproximada garantiza predicciones confiables en secuencias, incluso con errores de optimización. Un análisis teórico del MDL.
FLAGG: Generación Autoregresiva Flexible de Grafos
Aprende cómo FLAGG revoluciona la generación de grafos al combinar modelos one-shot y autoregresivos. Supera limitaciones y mejora resultados.
Evidencia causal de representaciones de pila en modelos de contadores con transformers
Estudio revela que representaciones de pila en transformers son causalmente necesarias para lenguajes contadores. Evidencia empírica crucial.
Apuestas adaptativas para pruebas con horizonte temporal
Descubre cómo un agente DQN aprende a apostar óptimamente en pruebas con horizonte, superando a métodos clásicos. Optimiza tus pruebas.
Reevaluando el aprendizaje continuo con pocos ejemplos
La evaluación con pocos ejemplos revela nuevas perspectivas sobre estabilidad y plasticidad en aprendizaje continuo. El meta-aprendizaje mejora la adaptación.
ReaLM: Puente de Cuantización Residual entre Embeddings de KG y LLMs
Descubre ReaLM, un innovador marco que une embeddings de KG y LLMs mediante cuantización residual para mejorar la completación de grafos. ¡Rendimiento líder!
Inferencia adaptativa en precios secuenciales con recursos limitados
Aprende cómo la inferencia adaptativa con recursos limitados mejora la fijación de precios secuenciales. Identificación local y corrección de sesgo para decisiones precisas.
Zumbar, Elegir, Olvidar: Marco Meta-Bandit para decisiones de abejas
Modelo MAYA basado en bandidos multi-brazo reproduce decisiones de forrajeo de abejas con memoria limitada. Ventana temporal óptima de 7 pruebas. ¡Lee más!
BAHSD: Destilación Adaptativa para Recomendación en Caja Negra
BAHSD: marco de destilación adaptativa para recomendación en caja negra que logra hasta un 4.98% de mejora sobre el profesor y un 80%+ en usuarios de cola larga. Plug-and-play.
FLIPS: Huellas de instancias para LLMs mediante secuencias pseudoaleatorias
Descubre FLIPS, un método que identifica configuraciones de LLMs con un 96% de precisión, clave para la regulación de IA.
Composición Secuencial de Grupos: Una Ventana a la Mecánica del Deep Learning
Composición secuencial de grupos: una ventana a la mecánica del deep learning. Descubre cómo redes neuronales aprenden operaciones estructuradas.
El sesgo de inducción en modelos secuenciales
Investigación muestra que los transformers requieren más datos que las RNN para seguimiento de estado y no comparten pesos entre longitudes. Descubre las diferencias clave.
HiPPO Zoo: Memoria Explícita para Modelos de Estado Interpretables
Descubre cómo las extensiones del framework HiPPO ofrecen memoria adaptativa y asociativa en modelos de espacio de estado, manteniendo la interpretabilidad. Un
Estimadores secuenciales de mínimos cuadrados con bosquejo aleatorio rápido
Descubre cómo el método SLSE-FRS combina Sketch-and-Solve e Iterative-Sketching para obtener estimadores de alta precisión en modelos lineales a gran escala.
Pruebas secuenciales asintóticamente óptimas con datos markovianos
Descubre un método asintóticamente óptimo para pruebas secuenciales en cadenas de Markov. Mejora límites inferiores y aplicaciones en MCMC y MDPs.
EuroBERT: Escalando Codificadores Multilingües para Lenguas Europeas
Descubre EuroBERT, la nueva familia de codificadores multilingües. Supera a alternativas en recuperación, clasificación y más. Soporta 8,192 tokens.
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.
Localización libre de distribución de puntos de cambio tras detección secuencial
Nuevo método libre de distribución para localizar puntos de cambio después de una detección secuencial. Garantías de cobertura finitas y rendimiento superior.
Secuencias Neuronales de Baja Discrepancia
Descubre cómo NeuroLDS utiliza aprendizaje profundo para generar secuencias de baja discrepancia, superando métodos clásicos en integración numérica y robótica.