10502 artículos
Este artículo presenta un marco de respuesta lineal para la interpretabilidad que trata las redes neuronales como sistemas bayesianos de mecánica estadística, permitiendo identificar módulos funcionales en transformadores pequeños mediante el análisis de susceptibilidades derivadas de perturbaciones en la distribución de datos.
El artículo presenta HetGL2R, un marco de aprendizaje profundo basado en grafos heterogéneos que integra flujos origen-destino y rutas para mejorar significativamente la clasificación de la importancia de segmentos viales mediante la captura de dependencias espaciales a larga distancia y asociaciones funcionales.
Este artículo presenta una revisión exhaustiva que unifica la evaluación de modelos de lenguaje y agentes autónomos mediante una taxonomía de aproximadamente 60 benchmarks, analiza marcos de trabajo y protocolos de colaboración, y explora aplicaciones reales junto con recomendaciones para futuras investigaciones en razonamiento avanzado y seguridad.
Este artículo presenta StablePCA, un marco de aprendizaje robusto distribucional que extrae representaciones latentes estables de datos multi-fuente mediante la maximización de la varianza explicada en el peor caso, abordando la no convexidad del problema original a través de una relajación convexa resuelta con un algoritmo Mirror-Prox y validada mediante un certificado dependiente de los datos.
Este artículo propone un marco de optimización de políticas offline personalizado para poblaciones heterogéneas, introduciendo el algoritmo P4L que utiliza variables latentes individuales para estimar funciones Q y garantizar un bajo arrepentimiento promedio bajo supuestos de cobertura parcial débiles.
Este estudio utiliza la interpretabilidad mecánica para demostrar que, aunque la destilación de conocimientos preserva el comportamiento funcional, reorganiza y comprime las circuitos internos de los modelos, lo que resulta en una mayor dependencia de componentes individuales y tiene implicaciones significativas para la robustez y la generalización.
El artículo presenta Ready2Unlearn, un enfoque de optimización durante el entrenamiento que prepara proactivamente a los modelos de aprendizaje automático para futuras solicitudes de olvido mediante principios de meta-aprendizaje, mejorando así la eficiencia y la integridad del proceso de eliminación de datos.
El artículo presenta EgoDex, el conjunto de datos más grande y diverso hasta la fecha de manipulación hábil humana grabada con visión egocéntrica mediante Apple Vision Pro, que incluye 829 horas de video con anotaciones de pose de manos en 3D para 194 tareas cotidianas, con el objetivo de abordar la escasez de datos en el aprendizaje por imitación y fomentar avances en robótica y visión por computadora.
El artículo presenta FreeKV, un marco de co-optimización sin entrenamiento que combina técnicas de recuperación especulativa y corrección de granularidad fina con una arquitectura de sistema híbrida en CPU/GPU para lograr una aceleración de hasta 13 veces en la inferencia de LLMs manteniendo una precisión casi sin pérdidas.
Este artículo presenta los primeros algoritmos en línea con garantías teóricas de arrepentimiento para el aprendizaje enfocado en la toma de decisiones (DFL) en entornos dinámicos, superando los desafíos de la falta de gradientes y la no convexidad mediante técnicas de regularización y perturbación.
El artículo presenta Vid2World, un enfoque general que transforma modelos de difusión de video preentrenados en modelos de mundo interactivos mediante la causalización de su arquitectura y un mecanismo de guía de acciones, permitiendo así la generación autoregresiva de alta fidelidad para la toma de decisiones en entornos complejos.
El documento presenta MAS-ZERO, un marco de diseño de sistemas multiagente autoevolutivo que, sin supervisión ni conjunto de validación, optimiza dinámicamente la descomposición de problemas y la composición de agentes en tiempo de inferencia, superando significativamente a los enfoques manuales y automáticos existentes en tareas de razonamiento, codificación y búsqueda.
El artículo presenta HDLxGraph, un marco innovador que integra la estructura gráfica de los lenguajes de descripción de hardware (HDL) con la generación aumentada por recuperación (RAG) para superar las limitaciones de los métodos actuales en proyectos complejos, complementado con el nuevo conjunto de datos de referencia HDLSearch.
El artículo presenta WikiDBGraph, una suite de benchmark a gran escala construida a partir de 100.000 bases de datos relacionales reales que revela las limitaciones de los marcos actuales de aprendizaje colaborativo al ignorar los desafíos de gestión de datos en silos fragmentados y no alineados, destacando la necesidad de mejorar las etapas de preprocesamiento para un despliegue práctico.
Este artículo presenta AgarCL, una plataforma de investigación basada en el juego Agar.io diseñada para el aprendizaje por refuerzo continuo que, a través de sus dinámicas no episódicas y complejas, revela que los métodos actuales de aprendizaje continuo apenas superan a los algoritmos estándar, indicando que los desafíos van más allá del dilema de estabilidad-plasticidad.
Este trabajo presenta X-MethaneWet, el primer conjunto de datos de referencia global y multiescala que integra simulaciones físicas y observaciones reales para entrenar modelos de aprendizaje profundo y técnicas de aprendizaje por transferencia, con el objetivo de mejorar la precisión en la predicción de emisiones de metano de los humedales y acelerar el descubrimiento científico mediante inteligencia artificial.
Este artículo presenta un marco teórico general que establece un principio de máximo y una ecuación de Hamilton-Jacobi-Bellman para el control óptimo de densidades de probabilidad en espacios de dimensión infinita, junto con un algoritmo numérico escalable basado en redes neuronales profundas para resolver problemas de control multiagente a gran escala.
El artículo presenta VISTA, un marco innovador y sin entrenamiento que utiliza modelos de lenguaje-visión para predecir precios de acciones combinando representaciones textuales y gráficas, logrando superar significativamente a los métodos tradicionales y basados únicamente en texto.
Este artículo presenta un nuevo enfoque que mejora la seguridad de los modelos de lenguaje frente a inyecciones de instrucciones al inyectar señales de jerarquía de instrucciones en las representaciones intermedias de la red mediante embebidos entrenables, logrando una reducción significativa en la tasa de éxito de los ataques sin comprometer la utilidad del modelo.
El artículo presenta OCN, un nuevo enfoque de predicción de enlaces que utiliza la ortogonalización y la normalización para eliminar la redundancia y el sobre-alisado en los vecinos comunes de alto orden, logrando un rendimiento superior al de los métodos existentes en diversos benchmarks.