6711 artículos
DemoDiffusion es un método que permite a los robots imitar tareas de manipulación a partir de una sola demostración humana, combinando la reasignación cinemática de la trayectoria con una política de difusión preentrenada para adaptar el movimiento al contexto robótico sin necesidad de datos emparejados ni entrenamiento específico.
Este estudio demuestra que adoptar una dieta visual de desarrollo inspirada en la maduración humana permite crear sistemas de visión artificial más robustos, que dependen principalmente de la forma en lugar de la textura y superan el estado del arte en reconocimiento de formas abstractas y resistencia a perturbaciones.
El artículo demuestra que las Redes Neuronales Informadas por Física (PINNs) requieren un tamaño de modelo suficientemente grande para lograr un riesgo empírico inferior a la varianza del ruido en los datos, estableciendo un límite inferior cuantitativo que impide que simplemente aumentar la cantidad de etiquetas ruidosas reduzca el error sin un aumento proporcional en los parámetros.
Este trabajo presenta TableEG, un marco basado en modelos de lenguaje grandes y fine-tuning que genera errores sintéticos auténticos en tablas, logrando una distribución y patrones similares a los errores reales para establecer un benchmark robusto que supera a los métodos existentes y facilita la evaluación de técnicas de detección y corrección de datos.
Este artículo presenta MCULoRA, un nuevo enfoque de adaptación de bajo rango que desacopla dinámicamente las características de las combinaciones modales para resolver los conflictos de gradientes en el reconocimiento de emociones multimodal con datos incompletos, superando significativamente a los métodos existentes.
El artículo propone un método de verificación auto-ancorada (SGV) que mitiga el sesgo de acuerdo en los modelos de lenguaje multimodal (MLLM), mejorando significativamente la detección de errores y el rendimiento de agentes autónomos en tareas complejas como la navegación web y la robótica.
Este artículo presenta la primera encuesta exhaustiva sobre el flujo de emparejamiento y sus aplicaciones en biología y ciencias de la vida, abarcando desde sus fundamentos teóricos hasta su uso en la modelación de secuencias biológicas, el diseño de moléculas y la generación de péptidos y proteínas.
Este artículo propone un enfoque basado en "árboles de trayectorias" y búsqueda Monte Carlo (MCTS) para generalizar de modelos débiles a fuertes en entornos de decisión complejos, aprovechando tanto el conocimiento de éxito como la experiencia de fracaso para optimizar el rendimiento del modelo fuerte.
Este trabajo expone cómo un auditor malicioso puede manipular muestras de datos para crear una ilusión de cumplimiento de las normas de equidad sin alterar significativamente la distribución subyacente, y propone métodos estadísticos basados en la distancia de distribución para detectar y contrarrestar estos ataques de manipulación.
Este artículo presenta un marco de red-teaming dinámico, automático y sistemático (DAS) que revela una brecha crítica entre el alto rendimiento en benchmarks estáticos y la baja fiabilidad dinámica de los modelos de lenguaje médico, demostrando que la mayoría de estos sistemas son vulnerables a fallos de robustez, privacidad, sesgo y alucinaciones cuando se someten a pruebas de estrés continuas y adaptativas.
El artículo presenta CauKer, un algoritmo novedoso que genera series temporales sintéticas causales y diversas mediante la combinación de modelos causales estructurales y composición de kernels de procesos gaussianos, permitiendo un preentrenamiento eficiente en muestras de modelos fundacionales de series temporales para clasificación y demostrando leyes de escalado claras que no se observan en datos reales.
El trabajo presenta GraphProp, un enfoque de dos fases para entrenar modelos fundamentales de grafos que prioriza la generalización estructural mediante la predicción de invariantes gráficos, logrando un rendimiento superior en tareas de clasificación y aprendizaje con pocos ejemplos, especialmente en grafos sin atributos de nodos.
Este trabajo demuestra que los mecanismos de puerta en las redes neuronales recurrentes actúan como precondicionadores de optimización impulsados por los datos, acoplando las escalas temporales del estado con la dinámica de los parámetros para generar tasas de aprendizaje efectivas dependientes del retraso y la dirección que complementan la adaptabilidad de los optimizadores y mejoran la entrenabilidad.
Este trabajo presenta ECHO, un modelo fundacional de aprendizaje profundo que utiliza una arquitectura de división de bandas y embebidos posicionales de frecuencia para procesar señales de máquinas de longitud variable y tasas de muestreo arbitrarias, logrando un rendimiento superior en la detección de anomalías y clasificación de fallos industriales.
Este artículo presenta un algoritmo basado en juegos dinámicos inversos que utiliza programas lineales enteros mixtos para aprender restricciones paramétricas a partir de demostraciones de interacciones de equilibrio de Nash local, garantizando teóricamente aproximaciones internas de los conjuntos seguros y permitiendo la planificación de movimientos robustos en sistemas multiagente con dinámicas no lineales.
Este estudio propone el modelo CbLDM, una red de difusión latente condicional que utiliza matrices Laplacianas para recuperar de manera estable y físicamente significativa la nanoestructura de nanopartículas metálicas monometálicas a partir de sus funciones de distribución de pares atómicos.
Este artículo presenta un marco de entrenamiento unificado que combina un currículo impulsado por la entropía y el aprendizaje multi-tarea para mejorar la predicción de la movilidad humana, logrando un rendimiento superior y una convergencia más rápida al organizar la complejidad de los datos y optimizar simultáneamente la ubicación, la distancia y la dirección.
Este artículo demuestra que los métodos de imputación basados en MICE son una alternativa eficaz y más sencilla de implementar que las redes generativas adversarias y los autoencoders para generar datos sintéticos de alta fidelidad en la tarificación actuarial, preservando tanto las distribuciones marginales como las relaciones multivariadas necesarias para entrenar modelos GLM.
Este artículo propone la clase de métodos F²SA- que utiliza diferencias finitas de orden para aproximar el hipergradiente en optimización bilevel estocástica, logrando una complejidad superior de para problemas altamente suaves y demostrando que esta tasa es casi óptima al coincidir con el límite inferior en regiones de suavidad suficientemente alta.
El estudio demuestra que, aunque es posible inferir con gran precisión las motivaciones de agentes LLM a escala, la identificación de sus sistemas de creencias enfrenta un límite fundamental de asimetría informativa que, incluso con arquitecturas avanzadas, impide clasificar correctamente más de la mitad de los perfiles debido a una zona de ambigüedad conductual.