7279 artículos
El artículo presenta MolCrystalFlow, un modelo generativo basado en flujo que predice estructuras de cristales moleculares al disociar la complejidad intramolecular del empaquetamiento intermolecular mediante la representación de moléculas como cuerpos rígidos en variedades riemannianas, logrando así un avance significativo en la generación de cristales periódicos.
Este estudio demuestra que, aunque los flujos de trabajo de agentes logran buenos resultados en la corrección de bugs mediante la descomposición de tareas en pasos de contexto corto, los modelos de lenguaje actuales carecen de una capacidad de razonamiento efectiva en contextos largos genuinos, mostrando un rendimiento que decae drásticamente a medida que aumenta la longitud del contexto.
El artículo presenta FLoRG, un marco de aprendizaje federado que optimiza el ajuste fino de modelos de lenguaje mediante la agregación de matrices Gram de baja rango y alineación Procrustes, logrando así una mayor precisión en tareas, una reducción significativa de la sobrecarga de comunicación y una convergencia teórica mejorada al eliminar errores de agregación y deriva de descomposición.
El artículo presenta CoSiNE, un modelo que combina cadenas de Markov de tiempo continuo con redes neuronales para capturar las interacciones epistáticas en la evolución de anticuerpos, superando a los modelos de lenguaje actuales en la predicción de efectos de variantes y permitiendo la optimización dirigida de la afinidad de unión mediante un esquema de muestreo guiado.
Este estudio demuestra, mediante la prueba autónoma de 141 hipótesis, que los modelos fundamentales biológicos aprenden una estructura geométrica y topológica genuina y compartida que es biológicamente significativa, aunque dicha señal es más localizada de lo esperado y se concentra principalmente en tejidos inmunitarios.
El artículo presenta EMPO, un marco híbrido de aprendizaje por refuerzo que combina optimización on- y off-policy con memoria aumentada para superar las limitaciones de exploración de los agentes LLM, logrando mejoras significativas en rendimiento y adaptabilidad a tareas nuevas.
Este artículo demuestra que el colapso de modalidades en los LLM multimodales es un problema de decodificación desajustada donde la información accesible está limitada por la divergencia entre los datos y el objetivo de entrenamiento, lo que confirma que la función de puntuación del decodificador, y no la arquitectura, determina qué información se puede extraer.
El artículo propone un pipeline Web-Conocimiento-Web que utiliza grafos de conocimiento y estimadores de cobertura ecológica para descubrir de manera iterativa y eficiente proveedores de PYMEs en sectores especializados, superando las limitaciones de cobertura de las bases de datos comerciales existentes.
Este trabajo establece un marco teórico que demuestra la equivalencia de primer orden entre las actualizaciones de pesos y los desplazamientos de activación, proponiendo un método de "adaptación conjunta" que supera a las técnicas anteriores de ajuste fino y de dirección de activación al lograr un rendimiento casi óptimo modificando solo el 0,04% de los parámetros del modelo.
Este trabajo propone una descomposición funcional de anillo tensorial reparametrizada que utiliza representaciones neuronales implícitas y un análisis en el dominio de la frecuencia para superar las limitaciones de los métodos tradicionales, logrando así una recuperación superior de datos multidimensionales tanto en mallas como fuera de ellas.
Este trabajo propone un marco acústico compacto que fusiona características multirrama y una unidad de memoria Legendre (LMU) con una fusión de ensamble posterior calibrada para mejorar la clasificación de llantos infantiles en escenarios de dominio cruzado, logrando una generalización superior y una implementación eficiente en dispositivos.
Este trabajo presenta Whisper-RIR-Mega, un nuevo conjunto de datos de referencia que empareja grabaciones de habla limpias con sus versiones reverberantes utilizando respuestas de impulso reales, diseñado para evaluar y mejorar la robustez de los modelos de reconocimiento automático de voz frente a las condiciones acústicas de las habitaciones.
El artículo presenta RigidSSL, un marco de preentrenamiento auto-supervisado que integra la rigidez geométrica y la dinámica conformacional para mejorar significativamente el diseño de proteínas, la generación de nuevas estructuras y la modelación de ensambles conformacionales realistas.
mlx-vis es una biblioteca de Python de código abierto que aprovecha la aceleración por GPU en Apple Silicon mediante MLX para ejecutar métodos de reducción de dimensionalidad y generar visualizaciones animadas de alto rendimiento en un solo flujo de trabajo.
El artículo propone "Traversal-as-Policy", un marco que convierte los registros de ejecución de agentes LLM en árboles de comportamiento con puertas (GBT) ejecutables y verificables, logrando mejorar drásticamente el éxito en tareas complejas, eliminar violaciones de seguridad y reducir costos computacionales al reemplazar la generación libre por una política de control basada en la exploración de macros validadas.
Este trabajo aborda la fuga de información composicional en sistemas secuenciales de agentes LLM, proponiendo un marco de entrenamiento regularizado que demuestra que la privacidad debe gestionarse como una propiedad del sistema y no solo mediante restricciones locales.
El artículo presenta RoboLayout, una extensión de LayoutVLM que genera diseños de escenas 3D semánticamente coherentes y físicamente viables para agentes encarnados mediante la integración de restricciones de alcanzabilidad diferenciables y un proceso de refinamiento local que adapta el entorno a las capacidades físicas de diversos agentes.
Este estudio presenta el primer marco de patología computacional multimodal, basado en un Transformer de inyección clínica y un MAE adaptado al dominio, que logra una alta precisión (90,1%) en la predicción del pronóstico de nefritis lúpica pediátrica utilizando únicamente biopsias teñidas con PAS y datos clínicos estructurados.
El artículo presenta JAWS, una estrategia de regularización probabilística que modula dinámicamente la fuerza de la regularización según la complejidad física local para mejorar la estabilidad a largo plazo, la fidelidad de las ondas de choque y la generalización en modelos de operadores neuronales, superando las limitaciones de las técnicas de regularización global y los métodos de optimización de trayectorias de largo horizonte.
El artículo presenta VDCook, un sistema operativo de datos de video autoevolutivo que permite a investigadores y equipos especializados generar, actualizar y gestionar conjuntos de datos de entrenamiento para modelos multimodales mediante consultas en lenguaje natural y un mecanismo automatizado de ingestión basado en el Protocolo de Contexto de Modelo (MCP).