8617 artículos
Este artículo presenta MSKernelBench, un nuevo estándar de evaluación para múltiples escenarios, y CUDAMaster, un sistema multiagente que optimiza automáticamente kernels CUDA en diversos dominios (desde operaciones algebraicas hasta computación científica), logrando aceleraciones significativas que superan a métodos existentes y rivalizan con bibliotecas de alto rendimiento como cuBLAS.
Este artículo presenta SPCP, un método que mejora la detección de datos fuera de distribución al fomentar patrones de contribución de parámetros más densos y orientados a los límites durante el entrenamiento, evitando así las predicciones excesivamente confiables causadas por la dependencia de unos pocos parámetros dominantes.
Este trabajo presenta un sustituto basado en una red neuronal de grafos espaciotemporal dual que aproxima de manera eficiente y precisa las respuestas no lineales de vigas de hormigón armado bajo flexión de cuatro puntos, superando las limitaciones de las simulaciones de elementos finitos tradicionales al predecir simultáneamente desplazamientos nodales, tensiones y deformaciones plásticas mediante un enfoque multi-tarea acoplado.
El artículo presenta wDPO, un enfoque de alineación robusto para modelos de lenguaje grande que utiliza una estrategia de winsorización jerárquica para identificar y tratar de manera diferenciada distintos tipos de ruido en los datos de preferencia, mejorando así la calidad y robustez de la alineación sin depender de modelos de recompensa externos.
Este estudio presenta un sistema automatizado basado en sensores acústicos portátiles y modelos de aprendizaje profundo que segmenta y clasifica los sonidos intestinales con alta precisión, reduciendo significativamente el tiempo de etiquetado manual y ofreciendo a los clínicos una herramienta objetiva para la evaluación cuantitativa de la función gastrointestinal.
Este artículo demuestra que el aprendizaje basado en márgenes es posible en cualquier espacio métrico cuando el margen es suficientemente grande, revelando que este fenómeno depende únicamente de la desigualdad triangular y no de una estructura lineal, al tiempo que establece una taxonomía estructural que limita la complejidad de muestra en espacios de Banach.
Este estudio presenta un marco de entrenamiento centrado en datos de alta calidad y verificación de dificultad que, mediante destilación y ajuste fino, permite que el modelo ODA-Fin-RL-8B supere a los modelos financieros de código abierto más avanzados en diversas tareas financieras.
LightMedSeg es una arquitectura de segmentación médica 3D ligera y eficiente que integra priores anatómicos y mecanismos de modulación adaptativa para lograr una precisión comparable a los modelos basados en transformadores, pero con una fracción de los parámetros y costos computacionales.
Este artículo propone y valida un método mejorado de regresión rango-rango condicional (CRRR) mediante modelos de transformación condicional profundos (DCTM) y cross-fitting para estimar la movilidad intergeneracional con mayor precisión en escenarios no lineales y con resultados discretos, demostrando su eficacia tanto en simulaciones como en aplicaciones empíricas sobre ingresos en EE. UU. y movilidad educativa en la India.
El artículo presenta PT-RAG, un marco novedoso de generación aumentada por recuperación que utiliza un proceso de dos etapas con recuperación diferenciable y consciente del tipo celular para superar las limitaciones de generalización de los enfoques actuales y predecir con mayor precisión las respuestas celulares a las perturbaciones genéticas.
El artículo presenta WeDas, un marco que mejora a los agentes de investigación profunda al integrar las características estructurales de la distribución de contenido web y utilizar un mecanismo de sondeo para alinear dinámicamente las intenciones de razonamiento con los resultados de búsqueda, superando así las limitaciones de los enfoques actuales.
Este estudio presenta el marco LF2L, un enfoque de aprendizaje federado horizontal con fusión de pérdidas que integra datos heterogéneos de Taiwan y EE. UU. para predecir eficazmente el cáncer secundario primario preservando la privacidad y superando a los métodos tradicionales.
Este artículo propone dos métodos de aprendizaje simbólico, SyNF y SyTF, que generan ecuaciones algebraicas interpretables para pronosticar series temporales caóticas con una precisión competitiva frente a modelos de caja negra, permitiendo así una comprensión transparente de las dinámicas subyacentes en aplicaciones como la incidencia de dengue y el índice Niño 3.4.
Este artículo propone un marco de aprendizaje por refuerzo multiobjetivo adaptativo que integra la predicción individualizada de ausencias con un mecanismo de coevolución de políticas para optimizar dinámicamente las decisiones de doble reserva en clínicas ambulatorias, mejorando así la eficiencia operativa y la equidad en la atención.
El artículo presenta los Mapas de Flujo Variacionales (VFMs), un marco que permite la generación condicional de imágenes de alta calidad en un solo paso mediante el aprendizaje de una distribución de ruido inicial adaptada a la observación, superando así las limitaciones de los modelos iterativos tradicionales.
Este trabajo presenta un modelo de extensión de ancho de banda basado en Vocos que genera contenido de alta frecuencia faltante para audio de 8-48 kHz mediante un único red neuronal y un refinador ligero, logrando una calidad competitiva con un rendimiento en tiempo real extremo en GPU y CPU.
Este artículo propone un marco basado en la Transformada de Fourier Generalizada para descubrir subgrupos continuos de simetría mediante la detección de patrones de dispersión espectral inducidos por la invariancia, ofreciendo una alternativa interpretable a los métodos tradicionales de optimización de generadores.
El artículo presenta AutoResearch-RL, un marco de aprendizaje por refuerzo que permite a un agente autónomo descubrir y optimizar arquitecturas neuronales y hiperparámetros de forma perpetua sin supervisión humana, logrando resultados competitivos frente a configuraciones manuales tras cientos de iteraciones.
Este artículo presenta un nuevo marco de predicción de rendimientos de cultivos a nivel de condado que combina una arquitectura de modelo multi-escala con una estrategia de adaptación basada en recuperación para superar las limitaciones de generalización espacial y temporal de los métodos existentes.
El artículo presenta StructSAM, un marco de fusión y recuperación de tokens que preserva la estructura y el espectro para optimizar los modelos Segment Anything (SAM) mediante la reducción de costos computacionales sin sacrificar significativamente la precisión en la segmentación de bordes.