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.
#transferencia
Influencia encubierta entre modelos de lenguaje
Descubre cómo los modelos de lenguaje pueden influirse entre sí de forma encubierta, propagando comportamientos sin dejar rastros visibles. Analizamos interfaces y mitigaciones.
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.
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.
Resultado negativo: transferencia de activación entre modelos Pythia
¿Puede un modelo transmitir activaciones a otro? En nuestro experimento con Pythia, la alineación no basta para comunicación causal. Resultado negativo.
Reconstrucción de pérdidas por IA: del control al seguro con CER
El marco CER (control, evidencia, respuesta) permite reconstruir pérdidas mediadas por IA para reclamaciones de seguro. Ideal para riesgos de IA agentiva y generativa.
El exceso de sim2real puede perjudicar el aprendizaje de políticas: cómo evitarlo
¿Demasiado sim2real? Aprende cómo el nuevo paradigma sim2sim2real evita el bloqueo del simulador y mejora la exploración de políticas.
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!
Inicializaciones de ataques jailbreak como extractores de cumplimiento
Descubre cómo las inicializaciones de ataques jailbreak extraen direcciones de cumplimiento en LLMs seguros, aumentando la tasa de éxito y reduciendo costos computacionales.
PRISM: Integración de Modelos de Visión con Expertos Autoorganizados
PRISM combina modelos de visión fundacionales con expertos autoorganizados, superando la transferencia negativa para lograr el estado del arte en segmentación.
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.
Align-KD: destilando conocimiento de alineación multimodal para VLMs móviles
Descubre Align-KD, técnica que destila conocimiento de alineación multimodal de VLMs grandes a modelos móviles, mejorando precisión en 6 benchmarks.
RESCAST-100K: Dataset completo para predicción de carga y temperatura en hogares
Dataset RESCAST-100K: 100,000 hogares simulados para predicción de carga y temperatura. Ideal para transferencia de aprendizaje y adaptación de dominio.
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.
Modelo Fundacional de Grafos con Parseo Espectral y Propagación Espacial Guiada
Descubre SPG, un modelo fundacional de grafos que combina parseo espectral y propagación guiada por prototipos para transferencia entre dominios.
Funciones Neurales de Navegación para Planificación de Movimiento Zero-Shot
Descubre cómo las funciones de navegación neural permiten planificar movimiento en entornos nuevos sin reentrenamiento, con trayectorias libres de colisiones y convergencia al objetivo.
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.
Embeddings de proteínas mejoran generalización en transferencia implícita
Mejora la generalización en dinámica molecular con PLaTITO. Embeddings de proteínas aumentan eficiencia y precisión en muestreo de equilibrio.
HRTFformer: Transformer espacial para upsampling de HRTF
Descubre cómo HRTFformer, un transformer consciente del espacio, revoluciona el upsampling de HRTF para audio inmersivo realista con alta precisión y fidelidad.
¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!