11021 artículos
El artículo presenta DySECT, un sistema de extracción autoevolutivo que establece un ciclo simbiótico cerrado en el que una base de conocimientos enriquecida por razonamiento gráfico y probabilístico retroalimenta continuamente a un modelo de lenguaje para mejorar la precisión de la extracción de información estructurada.
Este artículo presenta CN-CBF, un método de diseño de funciones de barrera de control neuronales compuestas que combina múltiples CBFs entrenadas mediante el marco de alcanzabilidad de Hamilton-Jacobi y una arquitectura residual para garantizar la seguridad en la navegación de robots en entornos dinámicos, logrando tasas de éxito superiores hasta un 18% frente a métodos existentes sin aumentar la conservaduría del movimiento.
El artículo presenta NerVE, un marco unificado basado en la dinámica espectral no lineal que analiza cómo las redes de alimentación hacia adelante en los modelos de lenguaje grandes organizan y regulan el flujo de información, ofreciendo métricas eficientes que correlacionan las firmas espectrales estables con la capacidad de generalización y proporcionando orientaciones prácticas para el diseño arquitectónico y la selección de optimizadores.
El artículo presenta Swimba, un modelo de Mamba con mezcla de expertos (MoE) que parametriza los SSM en el espacio de parámetros para aumentar la capacidad del modelo manteniendo fija la complejidad computacional de la recurrencia, logrando un rendimiento ligeramente superior con una ligera penalización en latencia.
Este trabajo presenta un enfoque computacional que combina elementos finitos y redes neuronales para resolver problemas de elasticidad de Cosserat en medios microestructurados, integrando restricciones físicas en la arquitectura de la red y validando la estabilidad de las soluciones mediante criterios de convexidad y desigualdades de Legendre-Hadamard.
Este artículo propone los Procesos de Decisión de Markov Conjuntos (JMDPs) como un formalismo para entornos de dinámicas acopladas que especifican leyes conjuntas de resultados contrafactuales, permitiendo el desarrollo de algoritmos de programación dinámica y aprendizaje por refuerzo con garantías de convergencia para momentos de retorno de orden superior.
Este estudio demuestra que los embeddings de modelos fundacionales de ADN, como DNABERT-2, Evo 2 y NTv2, son vulnerables a ataques de inversión que permiten reconstruir secuencias genómicas sensibles con alta precisión, lo que pone en riesgo la privacidad en servicios de embeddings como servicio (EaaS).
Este artículo demuestra que la esparsificación de grafos, como paso de preprocesamiento ligero, puede acelerar significativamente el entrenamiento y la inferencia de redes neuronales gráficas (GNN) a gran escala sin comprometer, e incluso mejorando en algunos casos, la precisión en tareas de clasificación de nodos.
El artículo demuestra que, aunque el ajuste fino con gradientes de política y recompensas de resultado puede optimizar modelos autoregresivos lineales dentro del soporte del modelo base, superar esta barrera requiere un número exponencial de consultas a menos que se utilicen recompensas de proceso que dependan de un cuantil de verosimilitud a nivel de token para evitar la maldición de la dimensionalidad.
El artículo presenta Chart-RL, un método de aprendizaje por refuerzo que utiliza recompensas matemáticamente verificables para superar a la fine-tuning supervisado en la comprensión de gráficos, demostrando que la complejidad de las tareas de razonamiento es más determinante que la cantidad de datos para lograr una generalización robusta y transferible.
Este artículo presenta un método de aprendizaje por imitación que, fundamentado en el análisis de los ciclos límite y los mapas de retorno de Poincaré, permite entrenar políticas de locomoción para cuadrúpedos desde cero con solo unos segundos de demostración y sin datos adicionales, logrando una robustez razonable mediante el alineamiento de variaciones en un espacio latente con las acciones de salida.
Este artículo propone un marco de desaprendizaje basado en SISA para la localización de fallas de cortocircuito entre espiras en transformadores de potencia, que permite eliminar la influencia de datos envenenados mediante el reentrenamiento selectivo de fragmentos de datos, logrando una precisión diagnóstica comparable al reentrenamiento completo pero con un tiempo significativamente reducido.
Este estudio presenta un marco de aprendizaje por refuerzo basado en grafos que integra características topológicas de orden superior mediante homología de persistencia para optimizar la gestión de apagones en redes de distribución eléctrica, logrando una mayor resiliencia, entrega de energía y estabilidad de voltaje en comparación con modelos baselines.
Este trabajo presenta un marco de transporte óptimo condicional no balanceado (CUOT) y un modelo generativo (CUOTM) que mitigan la sensibilidad a los valores atípicos inherente a los métodos tradicionales mediante la relajación de las restricciones de coincidencia de distribuciones, logrando así una mayor robustez y eficiencia en tareas de modelado generativo condicional.
Este artículo presenta NePPO, un nuevo pipeline de optimización de políticas para juegos de suma general que aprende una función de potencial independiente del jugador para aproximar equilibrios de Nash en entornos mixtos cooperativos-competitivos, demostrando un rendimiento superior frente a métodos baselines populares.
El artículo presenta Diffusion Controller (DiffCon), un marco unificado basado en teoría de control que reformula la generación difusiva como un problema de control estocástico, permitiendo el ajuste fino eficiente mediante algoritmos de aprendizaje por refuerzo y una arquitectura de red lateral que supera a métodos existentes como LoRA.
Este artículo demuestra que la regulación de la equidad basada únicamente en el efecto promedio del tratamiento (ATE) puede enmascarar injusticias causales significativas mediante la optimización de otros objetivos, lo que subraya la necesidad de evaluar la equidad a nivel del modelo y considerar la independencia condicional completa para detectar estos sesgos ocultos.
Este artículo presenta un método que utiliza Modelos de Lenguaje Grandes Multimodales (MLLM) para descubrir de forma adaptativa atributos de audio interpretables, logrando una clasificación de bajo recurso más rápida y precisa que los enfoques tradicionales basados en humanos.
Este artículo propone el problema de aprendizaje en línea de "Bandidos de Asignación Combinatoria" (CAB) para plataformas de emparejamiento, introduciendo una métrica de satisfacción de los brazos en lugar de maximizar simplemente el número de coincidencias, y presenta algoritmos de límite superior de confianza y muestreo Thompson que garantizan cotas de regret aproximadas validadas mediante experimentos sintéticos.
El artículo presenta Self-MOA, un marco automatizado que alinea modelos de lenguaje pequeños mediante supervisión débil y optimización multiobjetivo, logrando una mejora del 12,41% en seguridad sin sacrificar la utilidad y utilizando hasta 11 veces menos datos de entrenamiento que los métodos supervisados por humanos.