GenFT: Ajuste fino generativo y eficiente en parámetros
Descubre GenFT, un método generativo de ajuste fino que extrae patrones de pesos preentrenados para mejorar modelos en NLP y visión. ¡Optimiza tu modelo!
#transferencia de conocimiento
¿Pueden los LLMs generalizar procedimientos entre representaciones?
Descubre cómo un currículo de RL permite a LLMs generalizar procedimientos entre código y lenguaje natural, igualando a GPT-4o.
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.
BAHSD: Destilación Adaptativa para Recomendación en Caja Negra
BAHSD: marco de destilación adaptativa para recomendación en caja negra que logra hasta un 4.98% de mejora sobre el profesor y un 80%+ en usuarios de cola larga. Plug-and-play.
Segmentación tisular monocanal con destilación multimodal
Descubre cómo la destilación cross-modal permite segmentar tejidos con un solo canal, logrando resultados cercanos a modelos más grandes con menos parámetros.
Adaptación de Ruido Semi-Supervisada: Transferencia desde Dominio Ruidoso
Descubre cómo la adaptación de ruido semi-supervisada (SSNA) utiliza ruido sintético para mejorar la generalización de modelos de aprendizaje automático. ¡Optimiza tu rendimiento!
G2LoRA: Adaptación de gradiente ortogonal para aprendizaje continuo en grafos
G2LoRA: marco que combina gradiente ortogonal y aprendizaje continuo para evitar el olvido catastrófico en grafos textuales. ¡Pruébalo!
Claves de un modelo fuerte: análisis espectral de transferencia de conocimiento
Descubre cómo la transferencia de conocimiento potencia modelos de IA mediante análisis espectral unificado. Incluye destilación y generalización débil-fuerte.
Rompiendo silos de información con personas semánticas
Descubre SPHERE: personas semánticas para recomendación cross-dominio. Rompe silos de información sin usuarios compartidos. Mejora tu sistema.
Repensando el rol de la temperatura en destilación de LLMs
La temperatura transforma la destilación de LLMs: a altas temperaturas, FKL supera a RKL. Aprende a optimizar la transferencia de conocimiento.
Misma evidencia, diferentes respuestas: Destilación en política de contexto canónico para modelos de lenguaje de múltiples turnos
<meta name=description content=Misma evidencia, diferentes respuestas: destilación en contexto canónico para modelos multi-turno>
STARS: Síntesis Relacional Consciente de la Cola de Picos para Destilación de Conocimiento Sin Datos de ANN a SNN
<meta name=description content=STARS destila conocimiento de redes neuronales artificiales a espigadas sin necesidad de datos, optimizando eficiencia y rendimiento.>
Adaptación de bajo rango estructurada por energía para aprendizaje continuo
<meta name=description content=Aprendizaje-continuo-con-adaptación-de-bajo-rango-y-energía-para-optimizar-modelos-de-IA>