5874 artículos
El artículo presenta Latent-DARM, un marco de comunicación en espacio latente que integra modelos de difusión discreta para la planificación y modelos autoregresivos para la ejecución, logrando un rendimiento superior en tareas de razonamiento con un uso de tokens significativamente menor que los modelos de razonamiento más avanzados.
Este estudio replica el modelo BSRNN para separación de fuentes musicales, revelando que la falta de código original obstaculiza la reproducibilidad y demostrando que, mediante experimentos adicionales, es posible superar el rendimiento original mientras se promueve la transparencia y la sostenibilidad en la investigación.
El artículo presenta GNN, una técnica plug-and-play que utiliza dos conjuntos de prototipos para enriquecer el contexto global y mitigar el ruido en los vecindarios locales, logrando así un rendimiento superior en tareas de recomendación y clasificación de nodos en comparación con los modelos de producción existentes.
El artículo "The Reasoning Trap" advierte que las mejoras en el razonamiento lógico de los modelos de lenguaje podrían desencadenar inadvertidamente una conciencia situacional peligrosa mediante mecanismos de inferencia deductiva, reconocimiento inductivo y modelado abductivo, proponiendo a su vez nuevos marcos de seguridad para mitigar este riesgo.
Este artículo presenta un separador de señales totalmente basado en datos que utiliza un tokenizador discreto modificado y un transformador entrenado con pérdida de entropía cruzada para estimar eficazmente una señal de interés contaminada por interferencias no gaussianas, logrando una reducción significativa en la tasa de error de bits y demostrando generalización cero-shot en mezclas de radiofrecuencia.
Este trabajo demuestra que el tono emocional es un factor latente que altera la geometría de la atención en los modelos de lenguaje, proponiendo el dataset AURA-QA y un marco de regularización emocional que mejora la comprensión lectora y el rendimiento en tareas de preguntas y respuestas bajo diversas distribuciones.
El artículo presenta MM-Zero, el primer marco basado en aprendizaje por refuerzo que permite la autoevolución de modelos de visión y lenguaje desde cero sin datos, mediante un sistema de tres roles especializados (propuestor, codificador y solucionador) que generan conceptos visuales abstractos, crean imágenes ejecutables y realizan razonamiento multimodal.
Este artículo presenta \texttt{RQRE-OVI}, un algoritmo de iteración de valor optimista con aproximación de funciones lineales que calcula de manera eficiente y robusta el Equilibrio de Respuesta Cuantitativa Sensible al Riesgo (RQRE) en juegos de Markov de suma general, logrando un equilibrio único y estable que supera la fragilidad del equilibrio de Nash mediante un compromiso cuantificable entre rendimiento y robustez.
Este trabajo presenta la capa Test-Time Control (TTC), un componente arquitectónico basado en control óptimo y un solver LQR eficiente en hardware que, al integrarse en modelos de lenguaje preentrenados, mejora significativamente la capacidad de razonamiento matemático sin depender de entrenamiento en tiempo de prueba.
Este artículo presenta un marco unificado de muestreo generativo basado en la reversibilidad temporal y la discrepancia máxima de media (MMD) que permite muestrear distribuciones complejas en espacios continuos, discretos o mixtos sin requerir funciones de puntuación ni relajaciones continuas, utilizando únicamente evaluaciones de energía.
Este artículo propone un enfoque de entrenamiento exclusivo que integra un prior de atención sensible a la longitud y un controlador de ganancia adaptable para mejorar el razonamiento eficiente en modelos Transformer sin incrementar los costos de tiempo de prueba.
Este trabajo establece nuevos límites de generalización transductiva basados en transporte óptimo para la clasificación de nodos en grafos, demostrando que son computacionalmente eficientes, se correlacionan fuertemente con el rendimiento empírico y revelan cómo la profundidad de las GNN afecta la generalización mediante un equilibrio entre la concentración intraclase y la separación interclase.
El artículo presenta DendroNN, una red neuronal bioinspirada que utiliza mecanismos de detección de secuencias en dendritas y un proceso de reconfiguración sin gradientes para clasificar datos basados en eventos con alta eficiencia energética, superando a las arquitecturas neuromórficas actuales en tareas de series temporales.
Este artículo establece nuevos límites de arrepentimiento para el muestreo de Thompson con procesos gaussianos (GP-TS), incluyendo una cota inferior, una cota superior para el segundo momento del arrepentimiento acumulado, límites de arrepentimiento "leniente" esperados y una cota superior mejorada para el horizonte temporal, cerrando así brechas analíticas existentes frente al método GP-UCB.
Este artículo propone un marco basado en variables proxy y autoencoders variacionales para identificar y corregir errores de medición sistemáticos en variables de resultado, separando los factores latentes del contenido real de los que inducen sesgo.
Este artículo presenta un teorema de comparación no asintótico basado en el teorema de Gordon para analizar la dinámica de entrenamiento de algoritmos de aprendizaje automático bajo modelos de mezcla gaussiana, demostrando la validez de las expresiones de campo medio dinámico en escenarios asintóticos y proponiendo un esquema de refinamiento iterativo para mejorar la precisión en dominios no asintóticos.
El artículo presenta CLoE, un marco de aprendizaje de consistencia que mejora la segmentación de imágenes médicas multimodales con modalidades faltantes al controlar la concordancia entre expertos a nivel de decisión y región, asignando pesos de fiabilidad dinámicos para lograr una fusión robusta y generalizable.
El artículo presenta Reward-Zero, un mecanismo de recompensa implícita general que utiliza incrustaciones de lenguaje para convertir descripciones de tareas en señales de progreso densas y semánticamente alineadas, acelerando la exploración y mejorando la generalización en el aprendizaje por refuerzo sin necesidad de ingeniería de recompensas específica.
El artículo presenta TA-GGAD, un modelo gráfico adaptativo de tiempo de prueba que aborda el problema de la disortividad de anomalías () para lograr una detección generalista de anomalías con alto rendimiento en múltiples dominios tras una única fase de entrenamiento.
Este artículo presenta un marco de trabajo basado en datos que combina un modelo de red neuronal con generación sintética de datos y una interfaz web interactiva para predecir y visualizar en 3D la rugosidad superficial en la fabricación aditiva por extrusión de material, permitiendo una planificación de procesos optimizada antes de la impresión.