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!
#secuencia
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.
Receta simple: Modelos VLA, aprendices continuos naturales con RL
El fine-tuning secuencial con LoRA vence a métodos CRL complejos en modelos VLA: alta plasticidad, sin olvido catastrófico.
APB-V: Acelerando comprensión de videos largos con atención paralela aproximada
Descubre APB-V: acelera la comprensión de videos largos en múltiples GPUs hasta 12.72x sin pérdida de rendimiento. Ideal para modelos multimodales.
Datos sintéticos de calidad permiten primeras leyes de escalado para LLMs en recomendación
Descubre cómo datos sintéticos de calidad permiten las primeras leyes de escalado para LLMs en recomendación, superando datos reales.
DistMatch: Agrupación Adaptativa para Predicción Conformal Secuencial
Descubre DistMatch, nuevo método de agrupación adaptativa que mejora la robustez de la predicción conforme secuencial ante cambios de distribución.
La estructura de la tarea invierte la codificación de estado por capas en modelos secuenciales
Descubre cómo la estructura de la tarea invierte la codificación de estado en modelos como Transformers y Mamba. Un estudio revela patrones opuestos en paridad y Dyck.
Estructura y escala en el modelado de secuencias simpliciales
Descubre cómo la escala en modelos de secuencias simpliciales se correlaciona con estructura y rendimiento en transformers. Un estudio revela patrones predecibles.