4679 artículos
El artículo presenta "Super Neurons", un método de sondeo que utiliza activaciones escalares en las capas superficiales de los modelos de lenguaje visual para lograr clasificadores precisos con una aceleración de hasta 5,10 veces mediante la salida temprana del modelo.
Este artículo presenta un marco de inteligencia artificial que mejora la predicción espacial de la demanda de tráfico celular para la planificación de redes 5G/6G mediante una estrategia de división de datos consciente del contexto y corrección de errores residuales, logrando así una mayor generalización espacial y una reducción del error en comparación con métodos tradicionales.
Este artículo presenta un modelo de red neuronal de atención gráfica jerárquica (HR-GAT) que estima la demanda de espectro a escala espacial fina utilizando registros públicos, logrando una precisión superior a la de métodos existentes y facilitando la gestión y asignación eficiente del espectro para reguladores.
El artículo presenta MCCOP, un marco que utiliza optimización latente guiada por difusión para generar mutaciones mínimas y biológicamente plausibles que modifican las propiedades de las proteínas según lo deseado, ofreciendo así una herramienta interpretable para el diseño y la ingeniería de proteínas.
Este trabajo demuestra que el suavizado aleatorizado es una defensa simple y económica que mejora consistentemente la robustez de los modelos de predicción de trayectorias frente a ataques adversarios sin comprometer su precisión en entornos normales.
El artículo presenta ReTabSyn, un pipeline de síntesis de datos tabulares basado en aprendizaje por refuerzo que, al priorizar la distribución condicional y ofrecer retroalimentación directa sobre la preservación de correlaciones, supera a los métodos actuales en escenarios con datos limitados, desequilibrados o con cambios de distribución, mejorando así la utilidad de los modelos downstream.
El paper presenta EvoKernel, un marco de agentes autoevolutivos que utiliza un enfoque de memoria basado en valores para superar la escasez de datos en la síntesis de kernels para NPUs, logrando mejorar la precisión de los modelos de 11.0% a 83.0% y acelerar el rendimiento mediante un refinamiento continuo.
El artículo presenta , un modelo de valor generalista que fusiona adaptativamente una estimación previa con promedios empíricos de rollouts dispersos mediante pruebas estadísticas en tiempo real, logrando una reducción significativa de la varianza y un rendimiento superior en tareas de razonamiento matemático en comparación con métodos como GRPO y DAPO.
Este artículo presenta 6ABOS, un marco de código abierto basado en Python que automatiza la corrección atmosférica de imágenes hiperespectrales de la misión EnMAP mediante el modelo 6S y la API de Google Earth Engine, demostrando una alta precisión en la recuperación de la reflectancia del agua en embalses mediterráneos.
El artículo presenta SNPgen, un marco de difusión latente condicional que genera genotipos sintéticos supervisados por fenotipos, logrando un rendimiento predictivo comparable al de datos reales para enfermedades complejas mientras garantiza la privacidad y preserva las estructuras genéticas clave.
El artículo presenta LAtte, un marco innovador que integra un módulo de atención Lorentz con un codificador InceptionTime para lograr una clasificación robusta y generalizable de señales EEG entre diferentes sujetos mediante el aprendizaje de patrones comunes y adaptadores específicos para cada individuo.
Este trabajo presenta un modelo eficiente de Difusión Transformer (DiT) que genera secuencias de ADN regulador específicas de tipo celular con una convergencia más rápida y menos memorización que los enfoques anteriores, mejorando además significativamente la actividad reguladora predicha mediante ajuste fino con DDPO.
Este artículo propone nuevos tests de equivalencia basados en núcleos que utilizan la discrepancia de Stein y la discrepancia máxima media para evaluar la ausencia de diferencias significativas entre distribuciones, superando las limitaciones de los métodos paramétricos tradicionales mediante aproximaciones asintóticas y de remuestreo.
Este trabajo propone el Muestreo Predictivo de Dinámicas (DPS), un método que utiliza inferencia bayesiana sobre un modelo oculto de Markov para predecir y seleccionar proactivamente los prompts más informativos durante el ajuste fino con aprendizaje por refuerzo de modelos de razonamiento grandes, reduciendo así significativamente el costo computacional de las simulaciones y acelerando el entrenamiento sin comprometer el rendimiento.
Este artículo examina cómo los procesos de recompensa no ergódicos hacen que la optimización del valor esperado sea inadecuada para el rendimiento individual en el aprendizaje por refuerzo, relacionando este concepto con las cadenas de Markov ergódicas y presentando soluciones para maximizar el rendimiento a largo plazo en trayectorias individuales.
LookaheadKV es un marco de expulsión de caché KV ligero que, al predecir puntuaciones de importancia futuras mediante módulos eficientes en lugar de generar borradores explícitos, logra una alta precisión y reduce el costo de expulsión hasta 14,5 veces en comparación con métodos anteriores.
Este artículo presenta un nuevo enfoque para predecir los resultados del torneo de la NCAA utilizando Análisis de Fusión Combinatoria (CFA), logrando una precisión del 74,60% que supera a los diez sistemas de clasificación públicos más populares.
El artículo presenta ECoLAD, un protocolo de evaluación orientado a la implementación que demuestra cómo, bajo las restricciones de recursos de los vehículos, los detectores de anomalías clásicos y ligeros mantienen su viabilidad y rendimiento, mientras que varios métodos profundos pierden factibilidad antes de perder precisión.
Este artículo propone el Entrenamiento de Consenso Histórico, un método iterativo que selecciona mezclas gaussianas para crear una barrera de estabilidad que elimina por completo el colapso posterior en los autoencoders variacionales sin requerir restricciones arquitectónicas ni ajustes de hiperparámetros.
Este trabajo propone un método práctico basado en estimadores de densidad de núcleo (KDE) para cuantificar el riesgo de divulgación de pertenencia en datos sintéticos tabulares, demostrando mediante evaluaciones empíricas que supera a enfoques anteriores al permitir una caracterización precisa del riesgo sin necesidad de modelos sombra computacionalmente costosos.