Estructura y Escala en Modelado de Secuencias Simpliciales
¿Cómo se relacionan las leyes de escalado con las representaciones internas en deep learning? Este estudio revela una correlación entre rendimiento y estructura
#secuencia
BlockGen: Modelado flexible de secuencias por bloques con muestreadores híbridos
Descubre BlockGen: combina difusión uniforme y enmascarada con muestreo híbrido para generar secuencias por bloques de alta calidad. Supera modelos previos.
Arrepentimiento minimax-óptimo en juegos de Markov parcialmente observables
Algoritmo optimista logra arrepentimiento minimax-óptimo en POMG. Complejidad O(√T) con dependencia de la dimensión de Eluder.
Políticas de orden adaptativo para difusión enmascarada
Políticas de orden adaptativo mejoran generación de secuencias en difusión enmascarada, superando heurísticas en tareas sensibles al orden como proteínas.
Evaluación alineada temporalmente para generación de talking heads
Descubre cómo la alineación temporal mejora la evaluación de generación de talking heads, ofreciendo métricas más robustas y justas para comparar modelos.
Estimación de información mutua entre series temporales y secuencias de eventos
Estimador no paramétrico de información mutua entre series temporales y eventos discretos. Mejora precisión y robustez en diversas tareas de análisis.
MINTS: Muestreo Thompson Minimalista
Descubre MINTS, algoritmo de Muestreo Thompson minimalista que logra arrepentimiento casi óptimo en bandidos con restricciones. Ideal para IA y decisiones.
EPIC: Inferencia paralela y eficiente con CFG en modelos de difusión
Descubre EPIC, un framework que acelera inferencia paralela con CFG en modelos de difusión, reduciendo tiempo 67.5% y overhead 90.5%.
WaveFilter: Filtrado guiado por wavelets para contexto largo en LLMs de difusión
WaveFilter mejora el rendimiento de LLMs de difusión en contexto largo mediante filtrado guiado por wavelets del caché KV.
Efecto mariposa: origen, ciencia y vida cotidiana
Descubre el origen científico del efecto mariposa, su relación con la teoría del caos y cómo influye en tu vida cotidiana. ¡Entra y sorpréndete!
Adaptación secuencial con Fisher Prompting basado en martingalas
M-FISHER ofrece detección de cambios de distribución y adaptación en streaming con martingalas exponenciales y Fisher Prompting. Garantías estadísticas y estabilidad.
Monte Carlo secuencial reforzado para muestreo amortizado
Descubre cómo el Monte Carlo secuencial reforzado mejora el muestreo amortizado de distribuciones complejas. Entrenamiento off-policy y temperado adaptativo para mayor precisión.
Inyección ruido secuencial subespacios evita colapso desaprendizaje certificado
La inyección de ruido secuencial en subespacios evita colapso de precisión en desaprendizaje certificado. Mejora la utilidad del modelo.
Unificación y optimización de valores de datos en selección secuencial
Descubre cómo un nuevo enfoque unifica y optimiza la valoración de datos usando decisiones secuenciales, mejorando la selección en LLM y benchmarks clásicos.
Monitorización predictiva neuro-simbólica de procesos
Descubre cómo la combinación de redes neuronales y lógica temporal mejora la precisión y consistencia en la predicción de sufijos de procesos.
Muestreo inicial con temple paralelo para alineación de recompensas en inferencia
PATHS: temple paralelo para muestreo inicial en alineación de recompensas. Evita modas locales y explora regiones raras de alta recompensa en modelos generativos.
SAEmnesia: eliminación precisa de conceptos en modelos de difusión
Descubre SAEmnesia, un marco que elimina conceptos en modelos de difusión con precisión y eficiencia, reduciendo la búsqueda de hiperparámetros en un 96.67%.
Colapso de representación en el entrenamiento secuencial posterior de LLMs
Descubre cómo el entrenamiento secuencial de LLMs provoca colapso de representación y qué intervenciones pueden preservar la plasticidad y la generalización.
Optimización de flujo restringido: ajuste fino secuencial en diseño molecular
Descubre cómo el algoritmo CFO equilibra recompensa y restricciones en el diseño molecular mediante ajuste fino secuencial. Resultados prometedores.
¿Son suficientes los LLMs como optimizadores de políticas en RL?
¿Cuándo son suficientes los LLMs como optimizadores de políticas en RL? PromptPO iguala o supera algoritmos clásicos. Conoce sus límites en control continuo.