2315 artículos
El artículo presenta Spatial-TTT, un marco de inteligencia espacial basado en video que utiliza entrenamiento en tiempo de prueba (TTT) y una arquitectura híbrida con mecanismos predictivos espaciales para mantener y actualizar eficientemente la evidencia espacial a partir de flujos de video ilimitados, logrando un rendimiento superior en benchmarks de comprensión espacial a largo plazo.
Este artículo presenta un método libre de entrenamiento para el modelo FLUX.1 que descubre y explota un subespacio latente de color estructurado (Hue, Saturation, Lightness) en su espacio de representación VAE, permitiendo la predicción y el control preciso de los colores en imágenes generadas mediante manipulación matemática directa.
El artículo presenta BEFANA, una herramienta de código abierto escrita en Python que facilita el análisis de redes ecológicas, la visualización interactiva y el modelado predictivo mediante aprendizaje automático para evaluar las relaciones entre biodiversidad y funcionamiento de los ecosistemas.
Este artículo propone un método de aprendizaje activo profundo eficiente que sustituye el costoso reentrenamiento de redes neuronales por una actualización bayesiana basada en la aproximación de Laplace, permitiendo la selección de lotes diversos mediante construcción secuencial y estrategias de anticipación con una complejidad computacional significativamente menor.
Este artículo propone una nueva medida de calidad de equidad llamada "riesgo discriminatorio" que integra la equidad individual y grupal, establece límites teóricos basados en márgenes para demostrar que la combinación de conjuntos puede mejorar la equidad y presenta métodos de poda de conjuntos para obtener modelos precisos y justos.
Este estudio presenta una evaluación actualizada del enfoque de aprendizaje por refuerzo profundo de Google Brain para la colocación de macros, introduciendo nuevos benchmarks en tecnología sub-10nm, una línea base mejorada de recocido simulado y un análisis exhaustivo que revela desafíos pendientes en la escalabilidad y reproducibilidad de la metodología.
Este artículo propone un método de ramificación y acotación disyuntiva junto con nuevas relajaciones convexas para resolver el problema de completado de matrices de bajo rango hasta la optimalidad certificada, logrando una reducción significativa en el error de prueba en comparación con los métodos heurísticos existentes.
Este trabajo presenta las Sociedades de Mente Basadas en Lenguaje Natural (NLSOMs), un marco inspirado en las teorías de Minsky y Schmidhuber donde múltiples agentes de redes neuronales colaboran mediante lenguaje natural para resolver tareas complejas de IA multimodal, al tiempo que explora las implicaciones sociales y económicas de escalar estos sistemas hacia sociedades de miles de millones de agentes.
Este artículo corrige las limitaciones de sesgo y estrechez excesiva de la aproximación de Laplace riemanniana previa al proponer dos variantes alternativas basadas en la métrica de Fisher que garantizan exactitud en el límite de datos infinitos y mejoran el rendimiento práctico.
Este estudio demuestra que los modelos de lenguaje grandes (LLM) pueden predecir el comportamiento de viaje con una eficacia comparable a los modelos tradicionales, ya sea mediante estrategias de prompting sin entrenamiento o utilizando sus representaciones textuales para mejorar el aprendizaje supervisado en escenarios con pocos datos.
Este artículo propone un marco de agregación basado en transporte óptimo para combinar modelos de Mezcla de Expertos (MoE) distribuidos en un estimador global coherente, logrando un rendimiento comparable al entrenamiento centralizado con un único paso de comunicación y menores costos computacionales.
El artículo presenta MFedMC, un marco de aprendizaje federado multimodal eficiente en comunicación que aborda la heterogeneidad de los clientes y las limitaciones de ancho de banda mediante una arquitectura desacoplada y un algoritmo de selección conjunta de modalidades y clientes, logrando una reducción de la sobrecarga de comunicación superior a 20 veces sin sacrificar la precisión.
Este trabajo presenta HyWIA, un método novedoso de poda estructurada para modelos de lenguaje grandes que combina evaluaciones de importancia de pesos a granularidad fina y gruesa mediante un mecanismo de atención adaptativo, logrando un rendimiento superior en tareas posteriores en comparación con los enfoques actuales.
Este artículo presenta dos métodos para aproximar la información de Fisher en la estrategia de aprendizaje activo BAIT, reduciendo significativamente su complejidad computacional y permitiendo su aplicación eficiente y escalable en grandes conjuntos de datos como ImageNet sin sacrificar su rendimiento.
Este estudio aplica técnicas de aprendizaje automático explicables a un conjunto de datos de 28 años en el Golfo de Trieste para predecir con precisión la toxicidad de los mejillones causada por floraciones de algas nocivas, identificando especies clave de dinoflagelados y factores ambientales como predictores fundamentales para mejorar los sistemas de alerta temprana.
Este artículo presenta una formulación de control singular para problemas de parada óptima exploratoria mediante tiempos de parada aleatorizados y regularización por entropía residual, identificando la estrategia óptima única y proponiendo algoritmos de aprendizaje por refuerzo basados y libres de modelo con garantías de mejora de política.
Este artículo presenta el Operador Neuronal Mamba (MNO), un nuevo marco teórico que supera a los Transformers en la resolución de ecuaciones diferenciales parciales al integrar modelos de espacio de estado estructurados para capturar con mayor eficacia las dinámicas continuas y las dependencias de largo alcance.
El artículo presenta EarthquakeNPP, una nueva plataforma de referencia que corrige deficiencias en benchmarks anteriores y demuestra mediante experimentos que, a diferencia del modelo ETAS, los Procesos Puntuales Neuronales actuales aún no superan los métodos tradicionales para la predicción de sismos.
El artículo propone una teoría de memorización geométrica que demuestra cómo los modelos de difusión experimentan un colapso suave en su capacidad de variación a medida que los datos escasean, condensándose gradualmente en configuraciones de baja energía que replican ejemplos específicos antes de alcanzar una copia exacta.
El artículo presenta 3D-PIUNet, un método híbrido que mejora la reconstrucción de fuentes cerebrales en EEG al inicializar una red neuronal 3D con una solución física inversa, logrando así una mayor precisión espacial que los enfoques tradicionales y de aprendizaje profundo puros.