ANN Filtrado como Transición de Fase: Error y Arrepentimiento
Descubre cómo el error en la estimación de selectividad causa pérdida de recall en búsquedas ANN filtradas, con transiciones de fase y regiones críticas.
#vecinos cercanos
Modelo de grafo kNN adaptativo
Descubre cómo un modelo de grafo adaptativo basado en HNSW acelera la inferencia kNN en tiempo real sin comprometer la precisión. Ideal para grandes volúmenes
Estimación Jackknife de varianza en U-estadísticas generalizadas
El jackknife logra estimación consistente de varianza para U-estadísticas generalizadas dominadas por Hájek. Valida incertidumbre en submuestreo y regresión de vecinos cercanos.
Aprendizaje exacto de vecinos cercanos en series temporales financieras de alta frecuencia
Descubre cómo Mojo SIMD k-d tree logra aceleraciones de hasta 43.5x en búsqueda exacta de vecinos cercanos para datos financieros de alta frecuencia, manteniendo precisión.
Aperon HNTL: Búsqueda Tangent-Local Jerárquica sin Punteros
Descubre HNTL, el nuevo método de indexación sin punteros que logra un 3.61x de aceleración y un 100% de recall con solo 20 vectores candidatos.
Predictores simples de perturbaciones transcriptómicas con grafos y LLMs
Los grafos de conocimiento y LLMs con RL logran predecir perturbaciones transcriptómicas con alta precisión, superando a métodos complejos. Descubre cómo.
Abordando el desbalance multi-etiqueta con sobremuestreo LSDMLO
Descubre LSDMLO, un novedoso método de sobremuestreo que mejora la clasificación multi-etiqueta al considerar la relevancia de características por etiqueta. Reduce sesgo y sobreajuste.
Búsqueda de vecinos cercanos con distribución para recuperación incierta
Descubre DINOSAUR: mejora la recuperación al incorporar incertidumbre en embeddings, logrando mayor cobertura sin perder recall.
Búsqueda ANN: recupera lo que importa
Descubre por qué la métrica 1/Ratio@k supera a Recall@k en búsqueda ANN, reduciendo costos computacionales y manteniendo la calidad en tareas downstream.