7103 artículos
Este artículo presenta "Reverse Distillation", un marco que descompone las representaciones de grandes modelos de lenguaje de proteínas en subespacios ortogonales guiados por modelos más pequeños, creando incrustaciones anidadas que aseguran que los modelos más grandes superen consistentemente a los más pequeños en tareas de proteínas.
Este artículo propone un marco ligero de Control Predictivo de Modelos (MPC) para anuncios de marca en subastas, que utiliza regresión isotonía en línea para construir modelos de oferta directos a partir de datos en tiempo real, logrando así una mayor eficiencia en el gasto y un control de costos superior a las estrategias convencionales sin necesidad de modelos complejos de aprendizaje automático.
El artículo propone FedShift, un nuevo ataque adversarial distribuido de dos etapas ("esconder y encontrar") para el aprendizaje federado de grafos que logra una alta efectividad y sigilo al inyectar un "desplazador" oculto durante el entrenamiento y luego optimizar perturbaciones basadas en el modelo global, superando a los métodos existentes en rendimiento, evasión de defensas y eficiencia computacional.
El artículo propone el Modelo Generativo con Puerta de Incertidumbre (UGGM), un enfoque que utiliza la incertidumbre como señal de control interna para mejorar la precisión y la robustez en la previsión de series temporales financieras, logrando una reducción del 63,5% en el error cuadrático medio en el mercado eléctrico de NYISO.
Este artículo presenta GANRA, un nuevo solver SMT que combina modelos de lenguaje grandes y aceleración por GPU para resolver problemas de aritmética real no lineal, logrando mejoras significativas en rendimiento y capacidad de resolución frente al estado del arte.
El artículo presenta MicroCoder-GRPO, un enfoque optimizado de RL con innovaciones como enmascaramiento de truncamiento condicional y selección de temperatura basada en diversidad, junto con un nuevo corpus de entrenamiento y un evaluador más preciso, logrando mejoras significativas en modelos de generación de código y revelando 34 hallazgos clave para superar los cuellos de botella en el entrenamiento.
Este artículo presenta un método de aprendizaje basado en ecuaciones diferenciales neuronales y máxima verosimilitud que infiere con robustez los generadores dinámicos de sistemas cuánticos abiertos de hasta seis qubits a partir de datos de mediciones transitorias, superando los desafíos de la no convexidad y el ruido en diversos modelos físicos.
El artículo presenta MicroCoder, un conjunto de datos de programación competitiva curado mediante un marco de procesamiento de cuatro etapas y filtrado automático de dificultad, que demuestra mejoras significativas en el rendimiento de modelos de código al entrenarse con problemas frescos y desafiantes.
ProgAgent es un agente de aprendizaje por refuerzo continuo que unifica recompensas densas derivadas de videos expertos con una arquitectura nativa de alto rendimiento para mitigar el olvido catastrófico y acelerar el aprendizaje de habilidades robóticas complejas.
Este trabajo investiga la pérdida de plasticidad en Vision Transformers (ViTs), identifica que los módulos de atención y redes feed-forward son particularmente vulnerables, y propone ARROW, un optimizador geométrico que preserva la plasticidad mediante la adaptación de las direcciones del gradiente, demostrando ser más efectivo que los métodos de re-inicialización para el aprendizaje continuo.
Este artículo demuestra que es posible predecir con alta precisión los movimientos de alcance humanos mediante una única función de costo agnóstica al sujeto y a la postura, utilizando el algoritmo MO-IRL para inferir pesos temporales variables que revelan un principio de optimalidad unificado dominado por la regulación de la aceleración articular.
Este artículo propone un marco de aprendizaje profundo basado en espacios proyectivos complejos para la precodificación en sistemas MU-MISO, el cual elimina las redundancias de fase global inherentes a las representaciones convencionales y logra mejoras sustanciales en la tasa de suma y la generalización con un aumento de complejidad insignificante.
Este trabajo presenta un método que generaliza los embeddings a las redes neuronales informadas por física para construir espacios de incrustación de soluciones de ecuaciones diferenciales parciales no lineales, como la ecuación de Burgers viscosa, mediante un diseño de múltiples cabezales con restricciones de ortogonalidad que permiten una descomposición robusta e interpretable del espacio latente.
Este estudio demuestra que, para la estimación de biomasa de pastizales con datos escasos, la calidad del modelo base preentrenado y el uso de módulos de fusión locales y simples (como convoluciones) superan significativamente a arquitecturas complejas como los transformadores de atención cruzada o los SSMs, estableciendo un principio de "inversión de complejidad de fusión" que prioriza la simplicidad sobre la sofisticación en benchmarks agrícolas.
Este artículo presenta un marco de aprendizaje transferible basado en optimización bi-nivel que combina un extractor de características universal entrenado con datos heterogéneos y un adaptador específico del dominio para lograr una reconstrucción de alta calidad de imágenes de resonancia magnética submuestreadas, incluso cuando se dispone de datos de entrenamiento limitados.
Este trabajo presenta el aprendizaje iterado de diferencias temporales con gradiente (Gradient Iterated TD), un nuevo algoritmo que modifica el enfoque iterado para calcular gradientes sobre objetivos móviles, logrando por primera vez una velocidad de aprendizaje competitiva con los métodos semigradientes en tareas complejas como los juegos de Atari mientras mantiene la estabilidad de los métodos basados en gradiente.
Este artículo presenta un método de guía de difusión sin gradiente que elimina la necesidad de retropropagación para resolver problemas inversos bayesianos de forma cero-shot, logrando una reducción drástica en los costos de inferencia y un rendimiento superior en múltiples tareas.
El artículo presenta ReGEN-TAD, un marco generativo interpretable que combina arquitecturas de aprendizaje profundo con diagnósticos econométricos para detectar anomalías y inestabilidades estructurales en series temporales financieras de alta dimensión mediante un puntaje unificado sin necesidad de datos etiquetados.
Este artículo presenta un pipeline de agarre guiado por lenguaje para manipuladores móviles que combina detección de objetos, completado de nubes de puntos y filtrado de colisiones para lograr una ejecución robusta en entornos desordenados con observaciones parciales, logrando un 90% de éxito en pruebas reales frente al 30% de un método dependiente de la vista.
Basado en procesos biológicos de sueño, el artículo presenta la Consolidación de Repetición de Sueño (SRC), un método post-entrenamiento que mejora la calibración y la confianza de las redes neuronales artificiales al replantear representaciones internas sin necesidad de reentrenamiento supervisado.