2316 artículos
Este artículo propone un método rápido basado en redes neuronales de grafos para estimar el número de condición de matrices dispersas, el cual logra una aceleración significativa frente a los métodos tradicionales de Hager-Higham y Lanczos gracias a una ingeniería de características eficiente.
El artículo demuestra que el ajuste fino supervisado (SFT) ponderado exponencialmente por recompensas es un método post-entrenamiento robusto, escalable y superior al RLHF para sistemas generativos de recomendación, ya que evita el fraude de recompensas, no requiere puntuaciones de propensión y ofrece garantías teóricas de mejora de la política bajo feedback ruidoso.
Este artículo presenta un marco convergente de Plug-and-Play basado en ADMM que integra un nuevo desruidor AC-DC para resolver la discrepancia de variedades y garantizar la convergencia en problemas inversos mediante modelos generativos basados en puntuación.
Este artículo propone el uso de la descomposición en valores singulares generalizada (GSVD) para comparar conjuntos de datos basándose en su geometría subyacente, derivando una "puntuación angular" interpretable que diagnostica si una muestra se explica mejor por uno u otro conjunto de datos o por ambos.
El estudio presenta Copula-ResLogit, un marco de modelado conjunto híbrido que combina redes neuronales residuales (ResNet) y modelos de cópula para detectar y mitigar los efectos de variables de confusión no observadas en el análisis de la demanda de transporte, demostrando su eficacia en la reducción de dependencias no causales en dos estudios de caso.
El artículo presenta MultiwayPAM, un nuevo método de agrupación tensorial diseñado para analizar las puntuaciones de evaluadores LLM, permitiendo identificar simultáneamente la pertenencia a grupos y los medoides en cada dimensión (preguntas, respondientes y evaluadores) para mitigar el costo computacional y revelar sesgos inherentes.
Este estudio demuestra que el entrelazamiento cuántico proporciona una ventaja competitiva en juegos adversarios de suma cero, permitiendo a agentes híbridos entrenados en Pong superar a sus contrapartes separables y a redes neuronales clásicas al aprender representaciones estructurales distintas de las interacciones entre agentes.
El artículo presenta HyMEM, una memoria estructurada híbrida y autoevolutiva inspirada en el cerebro humano que combina nodos simbólicos discretos con incrustaciones continuas para mejorar significativamente el rendimiento de los agentes de GUI de código abierto, permitiéndoles igualar o superar a modelos propietarios avanzados.
El artículo presenta GaLoRA, un marco eficiente en parámetros que integra información estructural en modelos de lenguaje grandes para lograr un rendimiento competitivo en la clasificación de nodos en grafos atribuidos a texto, utilizando solo el 0,24% de los parámetros necesarios para el ajuste fino completo.
Este trabajo presenta un marco de aprendizaje en contexto que utiliza modelos de lenguaje grandes para predecir la volatilidad financiera adaptándose a diferentes regímenes de mercado mediante razonamiento contextual y muestreo condicional, superando a los métodos clásicos sin necesidad de ajuste de parámetros.
Este artículo presenta un procedimiento de búsqueda para identificar formas de programación de la tasa de aprendizaje casi óptimas, revelando que el calentamiento y la decadencia son características robustas esenciales, mientras que las familias de programas comunes no son óptimas y la forma ideal depende significativamente de hiperparámetros como la descomposición de pesos.
Este artículo propone un método de muestreo flexible basado en búsqueda estocástica en haz para optimizar modelos de lenguaje enmascarados en ingeniería de proteínas, demostrando mediante campañas experimentales con anticuerpos que la elección del método de muestreo es tan crucial como la selección del modelo mismo.
El artículo presenta un marco de aprendizaje de operadores no locales basado en kernels de integración impulsados por datos que separan la agregación de información no local de la predicción no lineal local, logrando modelos interpretables y eficientes para la precipitación del monzón asiático con menos parámetros y mayor claridad física.
El paper presenta NasoVoce, una interfaz montada en la nariz que fusiona señales acústicas y de vibración para capturar el habla silenciosa y susurrada de manera robusta frente al ruido, permitiendo interacciones de voz discretas y siempre disponibles con IA.
El artículo presenta FairFAL, un marco de aprendizaje activo federado adaptativo que supera los desafíos del desequilibrio de clases global y la heterogeneidad de datos mediante la selección inteligente de modelos de consulta, el etiquetado pseudo-guiado por prototipos y una estrategia de muestreo equilibrada, logrando un rendimiento superior en escenarios no IID.
Este trabajo aborda el problema de identificación del mejor brazo en banditos lineales no estacionarios estableciendo un límite inferior dependiente del conjunto de brazos y proponiendo el algoritmo , que logra una probabilidad de error óptima al aprovechar la estructura geométrica del conjunto de brazos.
El artículo presenta HEAL, un marco de aprendizaje sin refuerzo que supera las limitaciones del destilado tradicional mediante la integración de reparación asistida por entropía, estimación de incertidumbre y un currículo evolutivo progresivo para transferir eficazmente capacidades de razonamiento de modelos grandes a modelos más pequeños.
El artículo propone los Grafos Conceptuales Causales (CCG), un marco que combina autoencoders dispersos y aprendizaje de estructura diferenciable para mapear dependencias causales entre conceptos en el espacio latente de modelos de lenguaje, logrando una fidelidad causal significativamente superior en tareas de razonamiento paso a paso en comparación con métodos existentes.
Este artículo presenta una ley de escalado generalizada para modelos de Mezcla de Expertos (MoE) que define una fórmula óptima para la asignación dinámica de cómputo entre las capas de expertos y atención, permitiendo diseñar modelos más eficientes bajo presupuestos de recursos fijos.
Este trabajo propone una estrategia de ponderación adaptativa basada en la varianza para equilibrar la dinámica de entrenamiento de los modelos de difusión en diferentes niveles de ruido, logrando mejoras consistentes en el rendimiento generativo y una mayor estabilidad en conjuntos de datos como CIFAR-10 y CIFAR-100.