Conjunto semi-algebraico de valor en POMDPs
Aprende cómo el conjunto semi-algebraico de la función de valor en POMDPs revela una geometría no lineal y maximizadores locales.
#sem
PRISM: Integración de Modelos de Visión con Expertos Autoorganizados
PRISM combina modelos de visión fundacionales con expertos autoorganizados, superando la transferencia negativa para lograr el estado del arte en segmentación.
Cuando la atención colapsa: poda de tokens visuales de estructura a semántica
Descubre cómo el marco STS evita el colapso de atención en VLMs, mejorando la diversidad estructural y la relevancia semántica de tokens visuales.
PHASER: Aprendizaje continuo con repetición de experiencia por fases para modelos VLA
Descubre PHASER, un marco de aprendizaje continuo para modelos VLA que evita el olvido catastrófico. Asigna memoria por fases y prioriza tareas olvidadas, logra
CauTion: Cuándo confiar en los LLMs para descubrimiento causal
Descubre CauTion, un marco que integra LLMs y algoritmos estadísticos para descubrimiento causal con alta precisión y robustez. Ideal para científicos de datos.
Generación de textos largos confiables con rechazo de alucinaciones
El método SHARS reduce alucinaciones en generación de textos largos usando muestreo de rechazo. Mejora la consistencia factual sin recursos externos. ¡Descúbrelo!
Autoevaluación Agrupada: Método Simple para Incertidumbre en LLMs
Aprende cómo la autoevaluación por clusters permite a los LLMs medir su incertidumbre con solo dos muestras, mejorando la confiabilidad de sus respuestas.
Taiji: Optimización Pareto para Recomendación Industrial con LLM
Descubre cómo Taiji optimiza recomendaciones industriales con LLM, equilibrando semántica e IDs de usuario. Resultados reales en Kuaishou.
q0: Primitivas para el preentrenamiento con hiper-épocas
Descubre q0: primitivas para preentrenar con hiper-épocas. Genera una población de modelos diversos que logran menor pérdida de validación con hasta 4.6x menos épocas.
Optimización automatizada con agentes en coevolución y razonamiento interpretable
Descubre cómo EvoOR-Agent utiliza la coevolución de arquitecturas de agentes y razonamiento interpretable para optimizar procesos complejos con LLMs. Mejora el rendimiento y la interpretabilidad.
ReaLM: Cuantificación Residual para Unir Grafos de Conocimiento y LLMs
Descubre cómo ReaLM usa cuantificación residual para alinear embeddings de grafos de conocimiento con LLMs, logrando rendimiento estado del arte.
WISE: Evaluación semántica con conocimiento mundial en T2I
WISE: Benchmark que evalúa conocimiento mundial en T2I. 1000 prompts en 25 subdominios, WiScore mide cultura, espacio-tiempo y ciencia.
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!
Estructura cuántica en el lenguaje de IA: convergencia evolutiva
Descubre cómo los modelos de lenguaje como ChatGPT revelan estructuras cuánticas similares a la cognición humana, apuntando a una convergencia evolutiva.
TimeOmni-VL: Modelos Unificados para Comprensión y Generación de Series Temporales
TimeOmni-VL unifica comprensión y generación de series temporales mediante visión, transformaciones bidireccionales sin pérdidas y generación guiada por entendimiento. ¡Lee más!
vLLM Semantic Router: Enrutamiento por señales para modelos multimodales
Descubre cómo vLLM Semantic Router optimiza el enrutamiento de modelos multimodales mediante señales composables, mejorando costos, privacidad y seguridad.
FederatedSkill: Evolución de Habilidades de Agentes con Aprendizaje Federado
FederatedSkill permite a agentes LLM evolucionar habilidades colaborativamente y con privacidad, aumentando el éxito un 44% y reduciendo costos un 37%.
FederatedSkill: Aprendizaje Federado para Evolución de Habilidades de Agentes
FederatedSkill: marco de aprendizaje federado para evolución de habilidades de agentes con privacidad. Logra +44.4% éxito y -37.5% costos.
Link Prediction o Perdición: Semillas de Inestabilidad en Embeddings
Los modelos de embedding de grafos son fiables? Este estudio revela inestabilidad en predicciones debido a semillas aleatorias. Conoce las limitaciones del MRR.
Predicción de enlaces o perdición: inestabilidad en embeddings de grafos
Los modelos de embedding (KGEM) generan predicciones inestables en grafos de conocimiento. Las semillas aleatorias y la configuración afectan la fiabilidad. ¿Cómo solucionarlo?