2385 artículos
El artículo presenta los Procesos de Student-t Variacionales Dispersos (SVTP), un marco novedoso que combina la robustez ante valores atípicos de los procesos Student-t con la escalabilidad de los métodos de puntos inducidos, logrando una convergencia más rápida y menores errores de predicción en comparación con los procesos gaussianos dispersos en conjuntos de datos grandes y con colas pesadas.
Este artículo presenta un marco unificado que modela la cuantización y la dispersión como ruido aditivo y utiliza una transformada de descuantización por regresión de crestas para establecer un camino de gradiente explícito, permitiendo el entrenamiento robusto y estable de redes neuronales a precisiones arbitrarias y niveles de dispersión, incluidos modelos A1W1 y sub-1-bit.
El artículo presenta DRUPI, un método de condensación de datasets que mejora el rendimiento al sintetizar información privilegiada (como etiquetas de características o atención) junto con los datos reducidos, logrando ganancias significativas en diversas tareas de visión por computadora.
El artículo presenta LayoutDreamer, un marco basado en 3D Gaussian Splatting que genera escenas 3D composicionales de alta calidad y físicamente realistas a partir de texto, superando las limitaciones existentes mediante la adaptación de la densidad de los gaussianos, ajustes dinámicos de cámara y la aplicación de energía física guiada por un grafo de escena dirigido.
El artículo presenta Astromer 2, un modelo fundacional mejorado para el análisis de curvas de luz que, tras ser preentrenado de forma auto-supervisada en 1.5 millones de curvas, supera significativamente a su predecesor y a modelos anteriores en tareas de clasificación con datos limitados, logrando una mejora del 15% en el conjunto de datos ATLAS gracias a sus robustas representaciones embebidas.
Este artículo introduce la "firma espacial" de un conjunto de datos como una herramienta geométrica para evaluar y garantizar la robustez de la valoración de datos basada en semivalores frente a cambios en la función de utilidad, ofreciendo una métrica práctica para que los profesionales comprendan cómo estas variaciones afectan los resultados.
El documento presenta MKE-Coder, un marco innovador que mejora la codificación automática de la CIE en registros médicos electrónicos chinos mediante la integración de conocimiento multi-eje basado en enfermedades y la verificación rigurosa de la evidencia clínica, logrando así una mayor precisión y velocidad en la práctica real.
El artículo presenta LLM-Advisor, un marco basado en modelos de lenguaje que actúa como asesor de post-procesamiento para refinar rutas de planificación de costos en terrenos diversos, logrando mejoras significativas en la eficiencia sin modificar los planificadores subyacentes y superando las limitaciones de razonamiento espacial de los LLMs en modo cero disparos.
El artículo presenta HyConEx, un clasificador basado en hiperredes diseñado para datos tabulares que, de forma única, genera simultáneamente predicciones de clase y explicaciones contrafactuales locales en una sola red neuronal.
Este artículo propone un enfoque teóricamente fundamentado en la teoría de categorías, mediante un "functor explicador", para garantizar que las explicaciones lógicas extraídas de modelos de IA opacos sean coherentes y fieles a su razonamiento subyacente, superando así las limitaciones de consistencia de los métodos heurísticos actuales.
El artículo presenta GateLens, un agente de IA basado en modelos de lenguaje que utiliza el álgebra relacional como representación intermedia formal para traducir consultas en lenguaje natural a código Python optimizado, logrando así un análisis de datos tabulares más rápido, transparente y preciso en el contexto de la industria automotriz en comparación con los enfoques tradicionales.
Este artículo propone un marco de evaluación de clasificación binaria basado en la teoría de la decisión y el uso de reglas de puntuación propias como la puntuación Brier, respaldado por una herramienta práctica en Python y una variante técnica mejorada, para superar la dependencia actual de métricas de umbral fijo en la literatura de aprendizaje automático.
El artículo presenta MCP Bridge, un proxy RESTful ligero y agnóstico a los modelos que habilita la conexión segura y multiplataforma con servidores MCP en entornos restringidos, complementado con la optimización de modelos Qwen mediante técnicas de aprendizaje por refuerzo para lograr un rendimiento superior en la ejecución de herramientas.
El artículo presenta SGPO, un marco de optimización de políticas que mitiga la limitación de GRPO de no aprender de grupos de respuestas incorrectas al introducir diversidad mediante un modelo juez paso a paso, logrando así mejorar el rendimiento de modelos de razonamiento al permitirles aprender de sus errores sin requerir soluciones correctas.
Este trabajo presenta MathQ-Verify, una pipeline de cinco etapas que valida rigurosamente la corrección y completitud de problemas matemáticos para filtrar preguntas mal planteadas, mejorando significativamente la calidad de los conjuntos de datos y el rendimiento de los modelos de lenguaje grandes.
El artículo presenta UltraEdit, un método de edición de modelos de lenguaje sin entrenamiento, sujeto ni memoria que logra actualizaciones rápidas y escalables con bajo consumo de recursos, superando a los enfoques anteriores y validándose mediante un nuevo conjunto de datos masivo llamado UltraEditBench.
El artículo presenta Saturn, un marco de aprendizaje por refuerzo basado en problemas de satisfacibilidad booleana (SAT) que supera las limitaciones de escalabilidad, verificabilidad y control de dificultad de las tareas existentes, logrando mejoras significativas en las capacidades de razonamiento de modelos de lenguaje grandes tanto en problemas SAT como en tareas matemáticas y de programación.
El artículo presenta Daily-Omni, un nuevo benchmark de preguntas y respuestas audio-visuales diseñado para evaluar la capacidad de razonamiento temporal sincronizado entre modalidades en modelos de lenguaje multimodales, revelando que la mayoría de los modelos actuales aún luchan con la alineación temporal cruzada.
Este artículo presenta la primera revisión sistemática sobre la integración de modelos fundacionales en la robótica de servicio móvil, analizando cómo estas tecnologías abordan desafíos técnicos clave, habilitan aplicaciones en entornos reales y plantean consideraciones éticas y futuras para el desarrollo de robots autónomos seguros y adaptables.
El artículo presenta TSRating, un marco unificado que aprovecha el conocimiento de los modelos de lenguaje grandes (LLM) y un esquema de meta-aprendizaje para evaluar de manera eficiente y adaptable la calidad de datos de series temporales procedentes de dominios diversos.