Enlace recursivo económico: Tallado de subespacios en tensores de orden p
Descubre Orthogonal Subspace Carving: enlace recursivo profundo con memoria constante. Supera TPR y VSA con eficiencia y fidelidad sin crecimiento exponencial.
#subespacios
Reidentificación Robusta al Cambio de Ropa con Subespacios Ortogonales
Descubre Ortho-ReID, subespacios ortogonales de bajo rango para reidentificar personas con cambio de ropa. Supera en hasta un 5.9% a los mejores.
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.
Modelos de difusión rompen la maldición de la dimensionalidad
Los modelos de difusión superan la maldición de la dimensionalidad aprendiendo distribuciones de baja dimensión con pocas muestras. Clave para IA generativa.
Poda de subespacios de Koopman en espacios de kernel con vectores principales
Descubre cómo podar subespacios de Koopman en RKHS usando vectores principales para mejorar la precisión predictiva en sistemas dinámicos con grandes datos.
Transición de fase del estimador de Tyler para subespacios robustos
Descubre cómo el M-Estimador de Tyler alcanza una transición de fase nítida en la recuperación robusta de subespacios, incluso en el límite crítico DS-SNR=1.
Transición de fase abrupta del estimador M de Tyler en recuperación de subespacios
El estimador M de Tyler presenta una transición de fase abrupta en DS-SNR=1. Descubre su comportamiento crítico para la recuperación robusta de subespacios.
Diversidad de tareas y aprendizaje en contexto en subespacios
Descubre cómo la diversidad de tareas de entrenamiento mejora el aprendizaje en contexto en transformers lineales. Un análisis teórico con subespacios de baja dimensión.
Subespacios dispersos de expertos para aprendizaje continuo sin tareas
SETA evita el olvido catastrófico en LLMs mediante subespacios dispersos de expertos. Mejora retención de conocimiento temprano.
MultiResNets para precondicionamiento de subespacios en optimización restringida
MResOpt: red neuronal en etapas para optimización restringida. Mejora satisfacción de restricciones con alta eficiencia en problemas convexos y no convexos.
Aprendizaje de compresión de subespacios para paralelismo eficiente en pipeline
MAPL comprime activaciones en paralelismo de tubería con proyecciones ortogonales aprendidas, reduce comunicación sin pérdida de rendimiento en modelos LLaMA.
Autoencoders Dispersos Conscientes del Subespacio para Interpretabilidad Mecanicista
Descubre cómo SASA mejora la interpretabilidad de LLMs reduciendo la fragmentación de características y usando la mitad de los tokens de entrenamiento.
Colapso neuronal guiado por óptica en SAR incremental
Descubre el colapso neuronal guiado por óptica mejora el aprendizaje incremental en SAR con pocos datos, logrando mayor precisión y menor olvido catastrófico.
Repensando descomposiciones tensoriales en compresión post-entrenamiento de LLMs
Descubre por qué descomposiciones tensoriales tienen limitaciones en la compresión de LLMs y cómo afectan a modelos densos y MoE. Análisis teórico y práctico.
Supresión de atajos en falsificaciones para detección generalizable de deepfakes
El marco S^3 suprime atajos específicos de falsificación para lograr detección de deepfakes generalizable y robusta, mejorando el rendimiento en nuevos métodos de ataque.
CARE-RL: Mitigando Conflictos entre Dominios con RL Consciente de Capacidades
Descubre cómo CARE-RL mitiga conflictos entre dominios en LLMs con aprendizaje por refuerzo consciente de capacidades, con resultados superiores en benchmarks.
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.
Desentrañando la interferencia LoRA: subespacios ortogonales para fusión robusta de modelos
Descubre cómo OSRM resuelve la interferencia entre tareas al fusionar modelos LoRA, mejorando el rendimiento multitarea sin perder precisión individual. Una solución plug-and-play.
Acoplamiento de Subespacios para Compresión de LLM: Límites Empíricos
La optimización conjunta de capas en compresión de LLMs fracasa. El flujo residual desacopla las capas, haciendo clave la reconstrucción por capas.
Representaciones jerárquicas y composicionales nativas con embeddings de subespacio
Descubre cómo los embeddings como subespacios capturan jerarquías y composición lógica, superando vectores tradicionales en inferencia y negación.