10863 artículos
Esta encuesta presenta una revisión sistemática a nivel de componentes de la interacción bidireccional entre los modelos de lenguaje grandes y los algoritmos de banditos multi-brazo, destacando cómo se potencian mutuamente para resolver desafíos en el aprendizaje y la toma de decisiones adaptativa.
El artículo presenta ELSA, un marco innovador que integra el aprendizaje dividido y el aprendizaje federado jerárquico para optimizar el ajuste fino de modelos de lenguaje grandes en el borde de la red mediante agrupación de clientes basada en comportamiento, división dinámica del modelo y un esquema de comunicación ligero que garantiza la privacidad y la eficiencia en entornos con recursos limitados.
Este trabajo presenta una arquitectura de inferencia de CNN continua y consciente de la tasa de datos para FPGAs que maximiza la utilización del hardware mediante el entrelazado de señales y el uso compartido de unidades, permitiendo implementar redes complejas como MobileNet en un solo dispositivo con alto rendimiento.
El artículo presenta MeanCache, un marco de caché sin entrenamiento que acelera la inferencia de Flow Matching al utilizar velocidades promedio derivadas de productos Jacobiano-vector en lugar de velocidades instantáneas, logrando mejoras significativas en la velocidad y la calidad de generación en modelos como FLUX.1, Qwen-Image y HunyuanVideo.
PASS es un marco escalable para el agrupamiento k-means con restricciones de pares que optimiza un subconjunto de trabajo y repara las asignaciones restantes mediante re-centrado, ofreciendo certificados de reparación verificables y habilitando formulaciones cuánticas y clásicas reducidas para resolver problemas que otros métodos no pueden finalizar a tiempo.
Este trabajo presenta una comparación empírica sistemática que demuestra que los modelos neuronales sin modelo, especialmente los de espacio de estados, alcanzan un rendimiento de estimación de estados comparable a los filtros de Kalman no lineales en sistemas dinámicos no lineales, superando a las bases clásicas más débiles y ofreciendo un mayor rendimiento de inferencia sin necesidad de acceso a las ecuaciones del sistema.
El artículo presenta TimeSliver, un marco de aprendizaje profundo que combina datos de series temporales crudos con su abstracción simbólica para generar atribuciones temporales explicables y precisas, superando a los métodos existentes en rendimiento explicativo y manteniendo una competitividad comparable en tareas de clasificación.
El artículo presenta TGCC, un nuevo método de condensación de grafos basado en la invarianza causal que extrae características invariantes al dominio e integra aprendizaje contrastivo para generar conjuntos de datos comprimidos que superan a los métodos existentes en escenarios de transferencia cruzada de tareas y dominios.
FlowSymm es una arquitectura novedosa que combina acciones de grupo sobre flujos sin divergencia, un codificador de atención gráfica y un refinamiento de Tikhonov para recuperar flujos faltantes en redes respetando estrictamente las leyes de conservación locales, superando a los métodos actuales en benchmarks de tráfico, energía y bicicletas.
El artículo presenta Mem-T, un agente de memoria autónomo que utiliza el marco de aprendizaje por refuerzo MoT-GRPO para transformar las recompensas dispersas en supervisión densa, logrando así una optimización integral de la gestión de memoria que supera a los enfoques existentes en rendimiento y eficiencia.
Este trabajo propone un nuevo paradigma de fusión de modelos llamado Análisis de Fusión Combinatoria (CFA) para predecir el precio de Bitcoin, logrando un rendimiento superior al de los modelos individuales y otros métodos existentes con un error porcentual absoluto medio (MAPE) de 0,19%.
Este trabajo propone el "Adam-Aware In-Run Data Shapley", un método que supera las limitaciones de los enfoques basados en SGD para estimar la atribución de datos en optimizadores adaptativos como Adam, logrando una fidelidad casi perfecta y una alta eficiencia computacional mediante una aproximación linealizada de gradientes.
Este estudio demuestra que, en la detección de valores humanos a nivel de oración, la estructura de valores de orden superior de Schwartz funciona mejor como un sesgo inductivo que como una regla de enrutamiento rígida, siendo las mejoras más significativas obtenidas mediante técnicas de calibración y ensamble en lugar de arquitecturas jerárquicas complejas.
El artículo presenta LatentMem, un marco de memoria multiagente aprendible que supera las limitaciones de homogeneización y sobrecarga de información mediante la síntesis de memorias latentes específicas para cada agente y la optimización de políticas, logrando mejoras significativas en el rendimiento sin modificar los sistemas existentes.
El artículo presenta T2T, un marco de recompensa dinámica inspirado en el aprendizaje humano que mejora el razonamiento de los modelos de lenguaje mediante un mecanismo de doble fase que fomenta la exploración en intentos incorrectos y penaliza la redundancia una vez alcanzada la corrección, logrando un rendimiento superior en benchmarks matemáticos.
Este artículo demuestra que es posible implantar puertas traseras en modelos de lenguaje de peso abierto mediante la manipulación de sus plantillas de chat, lo que permite activar comportamientos maliciosos durante la inferencia sin modificar los pesos del modelo ni controlar la infraestructura de despliegue.
El artículo presenta el Árbol de Regresión Hinge (HRT), un método basado en Newton que reformula la división de nodos en árboles de decisión oblicuos como un problema de mínimos cuadrados no lineales, logrando convergencia rápida y garantizada mientras ofrece un aproximador universal con estructuras más compactas que los métodos existentes.
El artículo presenta las Redes Radiales de Müntz-Szász (RMN), una arquitectura neuronal con bases de potencia radiales aprendibles que modelan con alta precisión y eficiencia campos singulares multidimensionales, superando significativamente a las redes neuronales tradicionales en términos de error y número de parámetros.
El artículo presenta SDFed, un marco de aprendizaje federado heterogéneo que mejora la adaptación de modelos visión-idioma mediante prompts globales fijos y locales variables, utilizando refinamiento de subespacio y control de divergencia para resolver las discrepancias entre datos locales y globales en entornos con recursos limitados.
Este artículo identifica y cuantifica el riesgo de "Retrieval Pivot" en los sistemas híbridos RAG, donde la combinación de búsqueda vectorial y expansión de grafos permite filtraciones de datos entre inquilinos sin necesidad de inyección maliciosa, demostrando que aplicar controles de autorización en el límite de expansión del grafos mitiga eficazmente estas fugas con un mínimo sobrecosto.