9923 artículos
El artículo presenta CDRRM, un marco de modelado de recompensas que genera rúbricas interpretables mediante un paradigma de contraste y síntesis para superar los sesgos y la dependencia de anotaciones costosas, logrando un rendimiento superior con alta eficiencia de datos.
El artículo presenta SFed-LoRA, un marco de aprendizaje federado que introduce un factor de escala óptimo para mitigar la inestabilidad y el colapso de gradientes en la adaptación de bajo rango (LoRA) causados por la agregación de múltiples clientes, permitiendo así una adaptación de rango alto estable y eficiente sin alterar la arquitectura del modelo.
Este estudio propone un marco de adaptación de dominio basado en aprendizaje profundo que facilita la transferencia efectiva de conocimiento entre conjuntos de datos heterogéneos de RNA-seq, mejorando significativamente la precisión en la clasificación de tipos de cáncer y tejidos, especialmente en escenarios con datos limitados.
Este artículo presenta la Eliminación Estructurada Determinista y Diferenciable (DDP), un método que optimiza máscaras deterministas para reducir el costo de inferencia de los modelos de lenguaje grandes sin la desviación entre entrenamiento y prueba inherente a los enfoques estocásticos anteriores, logrando una pérdida de rendimiento mínima y aceleraciones de inferencia significativas.
Este trabajo propone una arquitectura híbrida cuántico-clásica que integra un circuito cuántico variacional dentro de una red neuronal recurrente para pronosticar múltiples señales fisiológicas en tiempo real, demostrando una precisión competitiva y una mayor robustez ante el ruido en entornos clínicos con cohortes pequeñas.
Este artículo propone y evalúa el modelo Autoregressive TRM, encontrando que, aunque los mecanismos de refinamiento en dos pasos muestran potencial, la arquitectura específica del Autoregressive TRM no ofrece mejoras de rendimiento fiables en comparación con modelos estándar en tareas algorítmicas a nivel de caracteres.
El artículo presenta EAGLE-Pangu, un sistema reproducible que adapta la decodificación especulativa en árbol al backend Pangu en NPUs Ascend mediante gestión de caché explícita y tensorización segura para el acelerador, logrando mejoras de rendimiento de hasta 2.46x en comparación con la decodificación greedy tradicional.
Este artículo presenta el marco DC-W2S, que entrena modelos de recompensa de proceso fiables para el razonamiento biológico mediante la combinación de consenso interno y vecinal para filtrar señales de supervisión ruidosas, demostrando que la curaduría estratégica de datos es más efectiva que el entrenamiento indiscriminado en grandes conjuntos de datos.
Este artículo presenta una amenaza de seguridad invisible en la que se ajusta fino un modelo de lenguaje para generar contenido malicioso oculto mediante esteganografía, engañando tanto a los observadores humanos como a los sistemas de clasificación de seguridad mientras mantiene una apariencia benigna.
El artículo presenta Tau-BNO, un marco de operador neuronal que actúa como sustituto computacional eficiente del Modelo de Transporte de Redes (NTM) para simular rápidamente la propagación de la proteína tau en el cerebro, superando las limitaciones de velocidad de los modelos mecánicos tradicionales y logrando una alta precisión predictiva que facilita el descubrimiento de nuevos mecanismos biológicos.
El artículo presenta ROMI, un nuevo enfoque de aprendizaje por refuerzo offline basado en modelos que supera las limitaciones de sobreconservadurismo e inestabilidad de métodos anteriores como RAMBO mediante un aprendizaje de modelo robusto consciente del valor y una ponderación adaptativa diferenciable implícitamente, logrando así un rendimiento superior en conjuntos de datos estándar.
El artículo presenta SaiVLA-0, una arquitectura de visión-lenguaje-acción inspirada en la neurociencia que utiliza un diseño tripartito (Cerebro, Puente y Cerebelo) para lograr un control adaptable, eficiente en cómputo y modular, demostrando mejoras significativas en tiempo de entrenamiento y tasas de éxito en tareas robóticas.
El artículo presenta FoleyFlow, un método que mejora la generación coordinada de audio a partir de video mediante un entrenamiento de alineación multimodal enmascarada y un flujo condicional dinámico, logrando una sincronización semántica y rítmica superior a las técnicas anteriores.
El artículo presenta TRIAGE, un marco ligero que descompone la incertidumbre en componentes aleatorios y epistémicos para activar respuestas correctivas específicas (recuperación de observaciones o moderación de control) y optimizar la capacidad del modelo, logrando mejoras significativas en la manipulación robótica y la eficiencia de la percepción adaptativa.
Este artículo presenta un método novedoso de monitoreo de condiciones basado en la detección probabilística de anomalías utilizando únicamente datos saludables, el cual incorpora cuantificación de incertidumbre y herramientas explicativas para la toma de decisiones en aplicaciones críticas, validándose con éxito en un conjunto de datos de transmisiones de helicópteros y un benchmark público.
El artículo presenta SAGAD, un marco escalable y adaptativo para la detección de anomalías en grafos que mitiga la disparidad de homofilia y mejora la eficiencia mediante el uso de filtros de Chebyshev, fusión adaptativa guiada por la estructura del subgrafo anómalo y una pérdida de preferencia de frecuencia, logrando un rendimiento superior en múltiples benchmarks.
El artículo presenta DARC, un método de inferencia sin reentrenamiento que aborda la heterogeneidad en las preferencias humanas mediante la selección de respuestas basada en la optimización de riesgos y la robustez distribucional para reducir el desacuerdo y el riesgo de cola sin comprometer la calidad promedio.
El marco Eventax, implementado en JAX, resuelve el compromiso entre flexibilidad y precisión en el entrenamiento de redes neuronales de espigas al combinar solucionadores numéricos de EDO diferenciables con manejo de eventos, permitiendo calcular gradientes exactos para modelos neuronales arbitrarios definidos por ecuaciones diferenciales.
Este artículo presenta C²FG, un método de guía libre de clasificadores que, fundamentado en un análisis teórico de las discrepancias de puntuación, ajusta dinámicamente la fuerza de la guía mediante una función de decaimiento exponencial para mejorar la generación en modelos de difusión sin necesidad de reentrenamiento.
Este artículo critica el enfoque actual de la predicción de series temporales a largo plazo, que prioriza la reducción marginal de métricas de error puntuales en tablas de clasificación, y propone una evaluación multidimensional que integre la fidelidad estadística, la coherencia estructural y la relevancia para la toma de decisiones para alinear el progreso de la investigación con los objetivos reales de la predicción.