Modelos geoespaciales fundacionales para impulsar los Objetivos de Desarrollo Sostenible
Descubre cómo los modelos fundacionales geoespaciales pueden acelerar el logro de los ODS. Analizamos su rendimiento, eficiencia y alcance ético.
#transferencia de aprendizaje
Selección precisa de modelos en adaptación profunda no supervisada de dominio
DEV ofrece selección precisa de modelos en UDA sin sesgo. Descubre cómo mejora la validación y estandariza la comparación de algoritmos.
Destilación Geométrica para Ajuste de Prompts en Modelos Biomédicos
Descubre cómo OGKD mejora la precisión en modelos médicos al respetar relaciones entre clases. Resultados superiores en 11 datasets.
Self-Soupervision: Cocinar sopas de modelos sin etiquetas
Descubre cómo Self-Soupervision crea sopas de modelos sin etiquetas, mejorando robustez un +3.5% en ImageNet-C y +7% en LAION-C. ¡Optimiza tus modelos!
Aprende de tus errores: Self-Play en árbol para LLMs de código seguro
Descubre cómo Tree-like Self-Play mejora la seguridad en código generado por IA, reduciendo vulnerabilidades en un 24.5% y transfiriendo principios entre lenguajes.
Modelo base de grafos con análisis espectral y propagación guiada por prototipos
Descubre cómo SPG combina filtros Chebyshev y prototipos para generalizar entre grafos de distintos dominios. Mejora la transferencia de conocimiento en IA.
Invarianzas representacionales inducidas por tareas según objetivo en RL
¿Sabías que DQN y PPO aprenden representaciones invariantes diferentes? Descubre cómo afecta a la transferencia y la neurociencia.
Perturbaciones adversarias en aprendizaje continuo: defensa a alineación activa
Descubre cómo AdvCL reutiliza perturbaciones adversarias para estabilizar el aprendizaje continuo en LLMs, mejorando robustez y transferencia sin olvido.
Ajuste fino eficiente de modelos preentrenados para segmentación de instancias
Descubre cómo el ajuste fino eficiente con adaptadores y LoRA logra segmentar instancias con solo 1-6% de parámetros, manteniendo rendimiento. ¡Optimiza!
AGENTCL: Evaluación rigurosa del aprendizaje continuo en agentes
Descubre AGENTCL, un marco para evaluar cómo los agentes de IA acumulan experiencia y mejoran en tareas. Aprende sobre transferencia de aprendizaje y diseño de memoria.
Unicorn: Escalando predicción de series con correlación universal
Unicorn: framework de IA para predicción de series temporales de alta dimensión con modelado universal de correlación. Supera a modelos en pocos datos.
Hedging en la frontera para aprendizaje con pocas muestras
Aprende a usar el hedging en la frontera para aprender nuevas tareas con pocos ejemplos. Mejora la transferencia y selección de modelos con monotonicidad débil.
Avances y desafíos en meta-aprendizaje: una revisión técnica
Descubre los avances y desafíos del meta-aprendizaje en IA. Revisión técnica de técnicas, sinergias con otras áreas y aplicaciones para datos escasos.
Representaciones de Predictibilidad Transferibles: Una Nueva Red Ordinal
Descubre cómo la nueva red GON aprende representaciones transferibles de predictibilidad en sistemas dinámicos, superando la ambigüedad ordinal.
Representación Terminal en Aprendizaje por Refuerzo
Descubre la Representación Terminal (TR), una nueva formulación en RL que elimina la necesidad de eigenvectores para tareas como descubrimiento de opciones y tr
MEMENTO: Aprovechando la Web como señal de aprendizaje para dominios con pocos datos
<meta name=description content=Aprende a usar la web como señal de aprendizaje para dominios con pocos datos. Descubre cómo extraer conocimiento de Internet y mejorar modelos con técnicas de transferencia.>
Aprendiendo a perturbar representaciones ocultas para el aprendizaje profundo generalizable
Perturbar representaciones ocultas para lograr aprendizaje profundo generalizable. Descubre cómo esta técnica mejora la robustez y adaptabilidad de los modelos.
Ajuste fino alineado con el enrutamiento para tareas posteriores multilingües en modelos de mezcla de expertos
<meta name=description content=Descubre cómo el ajuste fino con enrutamiento optimiza modelos MoE para tareas multilingües. Mejora rendimiento y eficiencia en IA.>
Comprensión de la generalización y el olvido en el aprendizaje continuo en contexto
Generalización y olvido en el aprendizaje continuo contextual: claves para entender y combatir el olvido catastrófico en entornos dinámicos.
Cuando el preentrenamiento perjudica el ajuste fino de LoRA: un análisis dinámico mediante modelos de índice único
Análisis dinámico revela cómo el preentrenamiento puede perjudicar el ajuste fino de LoRA. Descubre los hallazgos clave.