Clustering semi-supervisado guiado por semillas y detección a-contrario
Descubre cómo el algoritmo Perception permite clustering robusto con solo 10-30 semillas por clúster, sin ajuste de parámetros. Basado en detección de
#semillas
Spotlight: sinergia de exploración y GPUs spot para post-entrenamiento RL de DiT
Spotlight acelera 4x el post-entrenamiento de DiT y reduce costos hasta 6.4x usando GPUs spot y exploración.
Autoencoders Dispersos Estables y Manejables con Regularización de Pesos
Descubre cómo la regularización de pesos en autoencoders dispersos logra características más estables y manejables, duplicando el éxito de control sin perder
Esteganografía sin modificación: comunicación oculta mediante semillas de LLM
Descubre cómo los modelos de lenguaje ocultan mensajes en semillas PRNG sin alterar su código. Esteganografía sin modificación. ¡Lee!
Estudio experimental de dinámicas de entrenamiento en modelo Llama pequeño con presupuesto de tokens
Un estudio experimental muestra que evaluar solo los resultados finales oculta inestabilidad y rendimientos decrecientes en modelos de lenguaje con recursos limitados.
Características inestables y dependencia de semillas en SAEs
Descubre cómo las características inestables en autoencoders dispersos no son ruido, sino parte de subespacios reproducibles. Un estudio clave para la interpretabilidad de redes neuronales.
Reducción eficiente de integrales de Feynman con IA mediante Tube Seeding
Descubre cómo el machine learning reduce integrales de Feynman con tube seeding, acelerando cálculos en física de partículas.
Importancia de múltiples semillas de entrenamiento en desaprendizaje automático
Descubre por qué usar múltiples semillas de entrenamiento es crucial para evaluar correctamente el desaprendizaje automático. No te fíes de una sola semilla.