7103 artículos
Este artículo propone un algoritmo de dos etapas basado en bandas de matrices de bajo rango para minimizar la polarización y el desacuerdo en el modelo de dinámica de opiniones de Friedkin-Johnsen en un entorno en línea donde las opiniones innatas son desconocidas, logrando un arrepentimiento acumulado sublineal y superando significativamente a las líneas base existentes.
El artículo presenta las "Self-Speculative Masked Diffusions", un nuevo modelo de difusión enmascarada para datos discretos que reduce a la mitad las evaluaciones de red neuronal necesarias para generar muestras de alta calidad en tareas como modelado de texto y secuencias de proteínas, mediante la implementación de un mecanismo de muestreo especulativo integrado que permite predicciones no factorizadas en una sola pasada.
El artículo presenta TCR-EML, un modelo de aprendizaje profundo con capas explicables por diseño que integra mecanismos bioquímicos conocidos para predecir con alta precisión y ofrecer interpretaciones claras la unión entre receptores de células T y complejos péptido-MHC.
Este artículo demuestra que, aunque los modelos de lenguaje decodificador-only son inferiores a los codificador-only para la adaptación a ecuaciones diferenciales parciales, se puede cerrar esta brecha de rendimiento mediante dos nuevas técnicas que imitan la bidireccionalidad: "Parallel Flipping" y "Sequence Doubling".
Este estudio demuestra que los micro-benchmarks actuales a menudo no logran clasificar modelos de lenguaje de manera fiable, especialmente cuando sus diferencias de rendimiento son pequeñas, y revela que se requieren cientos de ejemplos para lograr una consistencia comparable a la de las evaluaciones completas, lo que hace que el muestreo aleatorio sea una alternativa competitiva.
El artículo presenta CanvasMAR, un modelo autoregresivo de predicción de video que mejora la calidad y la coherencia de la generación con pocos pasos mediante la introducción de un "lienzo" global borroso como prior estructurado, un currículo de muestreo de fácil a difícil basado en el movimiento y una guía libre de clasificadores compuesta.
Este artículo demuestra teórica y empíricamente que inyectar información mediante un verificador externo de datos sintéticos (humano o modelo superior) previene el colapso del modelo durante el reentrenamiento iterativo, logrando mejoras a corto plazo que convergen a largo plazo hacia el "centro de conocimiento" del verificador.
Este artículo propone un nuevo método de análisis de alcanzabilidad basado en intervalos para las EDOs neuronales que utiliza técnicas de monotonicidad mixta para lograr un equilibrio entre precisión y eficiencia computacional, haciéndolo especialmente adecuado para aplicaciones de tiempo real y de alta dimensión.
Este artículo presenta un marco en línea que utiliza una descomposición de modo dinámico de Hankel modificada para denoificar y predecir en tiempo real las dinámicas no lineales de obstáculos móviles a partir de datos parciales y ruidosos, permitiendo una planificación de movimiento robótico más segura y adaptable.
El artículo presenta KLASS, un método de muestreo rápido y adaptable que acelera significativamente la inferencia en modelos de difusión enmascarados mediante la identificación de predicciones estables basadas en la divergencia KL, logrando mejoras de velocidad y rendimiento en diversas tareas de generación sin necesidad de entrenamiento adicional.
El artículo propone CADM, una métrica de distancia adaptativa personalizada por clúster para el agrupamiento de datos categóricos y mixtos que considera las distintas distribuciones de atributos en cada grupo, logrando un rendimiento superior en múltiples conjuntos de datos.
El artículo presenta FireScope, un marco basado en modelos de lenguaje visual que utiliza razonamiento tipo "cadena de pensamiento" para predecir mapas de riesgo de incendios forestales con alta generalización entre continentes, respaldado por el nuevo conjunto de datos y benchmark FireScope-Bench.
El artículo presenta EgoCogNav, un marco de navegación egocéntrica multimodal que predice la incertidumbre percibida y fusiona características de la escena con señales sensoriales para anticipar trayectorias y movimientos de la cabeza, acompañado de la introducción del nuevo conjunto de datos CEN para investigar comportamientos de navegación humana en entornos reales.
El paper presenta SPINE, un marco de aprendizaje por refuerzo en tiempo de prueba que selecciona tokens de alta entropía críticos para la toma de decisiones y aplica una regularización basada en bandas de entropía para evitar el colapso de las respuestas y mejorar el rendimiento en modelos de lenguaje grandes y multimodales sin necesidad de etiquetas.
El artículo presenta DAISI, un algoritmo de filtrado escalable basado en modelos generativos que supera las limitaciones de los métodos clásicos de asimilación de datos al utilizar un prior generativo preentrenado combinado con pasos de muestreo inverso y guiado para manejar dinámicas complejas y observaciones no lineales sin necesidad de reentrenamiento.
El artículo propone SQDF, un método de ajuste fino basado en RL que utiliza un gradiente de política reparametrizado de una función Q suave para alinear modelos de difusión con objetivos específicos, logrando una optimización de recompensas superior sin sacrificar la diversidad ni la naturalidad de las muestras generadas.
Este trabajo propone un método que utiliza la familia de divergencias para aproximar una distribución objetivo filtrada, permitiendo controlar explícitamente la compensación entre precisión y diversidad en modelos de lenguaje grandes y superando a los enfoques anteriores en cobertura sin sacrificar el rendimiento en la resolución de problemas de razonamiento.
El artículo presenta A-3PO, un método que acelera el entrenamiento asíncrono de modelos de lenguaje grandes al aproximar la política proximal mediante interpolación simple en lugar de calcularla explícitamente, logrando una aceleración de 1.8x sin comprometer el rendimiento.
El artículo presenta DFIR-DETR, un detector basado en transformadores que mejora la detección de objetos pequeños mediante la agregación dinámica de características, una pirámide de características con preservación de normas y un refinamiento iterativo en el dominio de la frecuencia para superar las limitaciones de los métodos actuales.
Este artículo presenta un método de visualización que proyecta las trayectorias de reacción en un plano bidimensional basado en la desviación cuadrática media (RMSD) corregida por permutación, superando las limitaciones de los análisis unidimensionales tradicionales para permitir una comparación más efectiva de diferentes métodos de optimización y validar rutas de reacción complejas.