Reescalado adaptativo monótono sin hiperparámetros para colas largas
Nuevo método SAMN elimina hiperparámetros en reescalado adaptativo monótono para colas largas. Resultados SOTA en benchmarks.
#tat
CTRL-STEER: Control en lazo cerrado de activación neural en modelos VLA
Descubre cómo CTRL-STEER optimiza el control de conceptos en modelos VLA con retroalimentación adaptativa, logrando mayor estabilidad y éxito en tareas robóticas sin modificar el modelo base.
VESTA: Exploración Visual con Agentes de Herramientas Estadísticas
Descubre cómo VESTA equipa agentes de IA con herramientas visuales dinámicas para explorar y refinar modelos estadísticos con mayor precisión.
KACE: Ingeniería de Contexto Adaptativo para Razonamiento Matemático
KACE: un novedoso método que separa almacenamiento y uso del conocimiento, logrando un 62.2% de precisión en AIME 2025. Ideal para mejorar razonamiento matemático en IA.
Latent Reward Steering: Marco Adaptativo para Comportamientos Cognitivos en LLMs
Descubre cómo Latent Reward Steering optimiza el razonamiento de LLMs al promover comportamientos cognitivos implícitos.
Aprendizaje Subliminal: Destilación de Vectores de Dirección
El aprendizaje subliminal en modelos de lenguaje se produce por la destilación de un vector de dirección. Te explicamos este fascinante fenómeno y sus implicaciones.
AnyEdit++: Edición Adaptativa de Conocimiento en Formato Largo mediante Sorpresa Bayesiana
AnyEdit++ edita conocimiento en modelos de lenguaje con segmentación adaptativa basada en sorpresa bayesiana, mejorando coherencia y precisión.
Programación de flujos de trabajo con plazos variables y Mixture-of-Experts
DEFT usa Mixture-of-Experts para programar flujos de trabajo dinámicos en la nube, reduciendo costos y violaciones de plazos variables.
DAStatFormer: Transformador híbrido multirrama para reconocimiento patrones DAS
DAStatFormer, transformador híbrido, logra 99.4% de precisión en clasificación DAS con menos parámetros. Ideal para monitoreo.
DLLM-JEPA: Arquitectura JEPA para Modelos de Lenguaje con Difusión Enmascarada
DLLM-JEPA: nueva arquitectura que combina JEPA y difusión enmascarada para reducir FLOPs un 33% y ganar hasta 18.7% en precisión.
XAI-SOH-FL: Mejora de SOH-FL con Agregación Adaptativa e IA Explicable
Descubre XAI-SOH-FL: mejora la detección de intrusiones con agregación adaptativa e IA explicable, precisión del 94.12% en IoT heterogéneo.
La selección adaptativa mejora la predicción en wearables con bajo rendimiento
Descubre cómo la selección adaptativa de datos mejora la predicción en wearables, especialmente con bajo rendimiento base. Ganancia de hasta 0.7 en AUROC.
Aprendizaje Continuo Adaptativo al Régimen para Gestión de Carteras
Aprende cómo ReCAP, un marco de aprendizaje continuo adaptativo al régimen, optimiza carteras y se adapta rápidamente a los cambios del mercado.
Modelo fundado en física para MRI de difusión cuantitativa
PIGMENT: modelo de IA informado por física para MRI de difusión cuantitativa. Permite mapear microestructura cerebral con datos escasos. Ideal para diagnóstico.
UF-AMA: marco unificado para reconocimiento multimodal de emociones
Descubre UF-AMA, un marco unificado que integra EEG y eye-tracking para reconocer emociones a través de sujetos y sesiones, logrando rendimiento SOTA.
FreqLite: Pronóstico a largo plazo con descomposición frecuencial ligero
Descubre FreqLite, un modelo ligero de descomposición frecuencial que supera a Transformers en pronóstico a largo plazo con 4 veces menos parámetros.
GJDNet: Redes de grafos robustas con aprendizaje disentangled
GJDNet mejora la robustez de GNNs frente a ataques con representaciones y decisiones disentangled. Aísla perturbaciones y estabiliza fronteras de decisión en grafos diversos.
JenBridge: Adaptación de bandas sonoras largas en transiciones de escenas
Descubre cómo JenBridge usa IA para crear bandas sonoras fluidas y coherentes en vídeos largos, adaptándose a cada transición de escena.
Auto-Harness Adaptativo: Mejora continua para agentes en tareas abiertas
Descubre Adaptive Auto-Harness: mejora continua de agentes LLM en flujos abiertos, superando a métodos en predicción y seguridad.
STaR-KV: Compresión de caché KV en modelos de lenguaje visual para GUI
STaR-KV comprime la caché KV en modelos GUI sin entrenamiento, reduciendo memoria GPU un 40% sin penalizar precisión. Descubre cómo.