AoiZora: Optimización Auto-Paralela con Topología para Inferencia en Difusión
AoiZora acelera la inferencia de difusión de video en TPU sub-slices hasta 1.42x usando planificación topológica automática sin modificar el modelo.
#topología
Entrenamiento de redes neuronales con dropout: una perspectiva de percolación
Descubre cómo el fenómeno de percolación afecta el entrenamiento de redes neuronales con dropout, pudiendo causar un colapso en la predicción.
PHINN: Red Neuronal de Homología Persistente para Eventos Raros
PHINN reduce hasta 63% el error topológico y mejora 84% la precisión de transiciones en series temporales de eventos raros. Conozca cómo.
Agente de IA de solo lectura para incidentes en almacenamiento
Descubre por qué los agentes de IA deben limitarse a investigar incidentes de almacenamiento en la nube sin intervenir en producción. Aprende a generar
Agente de IA de solo lectura para incidentes de almacenamiento
Descubre cómo los agentes de IA de solo lectura investigan incidentes en almacenamiento cloud, generando informes detallados sin modificar producción.
OmniTraffic: Generación controlable y benchmark para razonamiento de tráfico
OmniTraffic: pipeline y benchmark para razonamiento espacio-temporal. Evalúa 11 MLLMs con 8M VQA, revela brecha humano-modelo. Simulación mejora rendimiento.
Consenso Resiliente en IA Agéntica
¿Fracasan los agentes LLM en alcanzar acuerdos? Estudio revela que los filtros clásicos de consenso mejoran la robustez en IA agéntica.
PostDeg: Colocación supera parametrización en GNNs LayerNorm
Descubre cómo PostDeg, un escalado sin parámetros tras LayerNorm, mejora un 5.6% tareas de selección de nodos en GNNs. La clave está en la colocación.
PostDeg: La ubicación supera a la parametrización en GNNs con LayerNorm
Un nuevo enfoque sin parámetros, PostDeg, mejora hasta un 5.6% la selección de nodos en GNNs al colocar un escalado post-LayerNorm. La ubicación, no la parametrización, es la clave.
Co-alineación contextual para grafos atribuidos multimodales
Descubre CoMAG, un método que alinea contextos y modalidades en grafos atribuidos multimodales para mejorar predicciones y emparejamiento. ¡Resultados líderes!
Co-alineación consciente del contexto para grafos multimodales atribuidos
CoMAG unifica grafos multimodales aprendiendo contextos adaptativos y alineando modalidades sin comprimir información. Logra estado del arte en predicción, matching y generación.
Optimización de rendimiento en sistemas de IA compuestos y distribuidos
Descubre cómo los sistemas de IA compuestos optimizan precisión, latencia y costo. Metodología de diseño y gestión de trade-offs para sistemas distribuidos.
AWS apuesta por el azar para una red más rápida y eficiente
Descubre cómo AWS revoluciona sus redes con RNG, una topología basada en grafos aleatorios que mejora el rendimiento hasta un 33% y reduce el consumo energético un 40%.
Síntesis de escudos: análisis de defendibilidad para redes adversariales
Descubre el nuevo enfoque: la síntesis de escudos como herramienta de diseño para evaluar la defendibilidad de redes adversariales.
Centros o periferias: selección de datos vía centralidad de grafo web
Descubre cómo WebGraphMix selecciona datos de preentrenamiento usando centralidad de grafo web, mejorando el rendimiento de modelos de lenguaje sin necesidad de etiquetado.
Redes robustas: control jerárquico y codiseño con modelos y datos
Aprende control jerárquico y codiseño de topología con modelos y datos para redes robustas. Aplicado a microrredes DC para regulación de voltaje y corriente.
Control jerárquico y codiseño de topología para sistemas en red robustos
Descubre cómo el control jerárquico y el codiseño de topología mejoran la robustez de sistemas en red, aplicado a microrredes DC con enfoques basados en modelos y datos.
De persistencia a supervivencia: pruebas y vectorización
Descubre STRAND: convierte diagramas de persistencia en datos de supervivencia para pruebas de hipótesis, tamaños del efecto y vectorización.
Sistemas de razonamiento y agentes en series temporales con LLMs
Evaluamos topologías de razonamiento, benchmarks y guías para sistemas fiables en series temporales con LLMs. Descubre cómo transforman el análisis y la toma de decisiones.
Transferencia de aprendizaje: Extensiones de Kan para invariantes neuronales
Descubre cómo las extensiones de Kan cuantifican la transferencia de invariantes en redes neuronales, usando teoría de categorías para detectar colapsos.