11204 artículos
El documento presenta AutoAdapt, un marco automatizado de extremo a extremo que utiliza un sistema multiagente de debate y un sustituto basado en LLM llamado AutoRefine para optimizar la adaptación de dominio de modelos de lenguaje grandes, logrando una mejora del 25% en precisión frente a las mejores técnicas actuales con un mínimo sobrecosto.
El artículo presenta SERQ, un método de reconstrucción de errores consciente de la saliencia que utiliza una única matriz de compensación de bajo rango para mitigar eficazmente los errores de cuantización en modelos de lenguaje grandes bajo configuraciones de 4 bits, logrando una mayor precisión que los enfoques actuales con una complejidad de calibración significativamente reducida.
Este estudio aborda el problema de diseño secuencial de regiones de servicio bajo incertidumbre de demanda y efectos de derrame, proponiendo un marco de solución que integra el análisis de opciones reales con un algoritmo de optimización de política proximal basado en transformadores (TPPO) para identificar secuencias de inversión óptimas sin necesidad de enumeración exhaustiva.
El artículo critica la dependencia actual de métricas de estimación puntual en los benchmarks de regresión para modelos fundacionales tabulares y propone evaluar y optimizar las predicciones probabilísticas mediante reglas de puntuación adecuadas, como el CRPS, junto con estrategias de ajuste fino o prompts para adaptar el sesgo inductivo de estos modelos.
Este artículo extiende el método de agregación adaptativa AsyncFedED para el aprendizaje federado asíncrono, demostrando que la integración de métricas de distancia alternativas al de Euclídeo mejora la robustez, la velocidad de convergencia y el rendimiento del modelo en entornos heterogéneos con datos no IID.
Este artículo presenta un operador neuronal basado en la expansión del caos de Wiener con modulación lineal por características (WCE-FiLM-NO) que logra simular con alta precisión y sin factores de renormalización las ecuaciones diferenciales parciales estocásticas singulares, como los modelos dinámicos y .
Este artículo realiza un análisis mecanicista que demuestra cómo la competencia inherente entre la tendencia del modelo a continuar el texto y sus defensas de seguridad, activada por instrucciones de continuación, explica la vulnerabilidad a ataques de jailbreak y revela diferencias funcionales en las cabezas de atención críticas para la seguridad entre distintas arquitecturas de modelos.
El artículo presenta Fibration Policy Optimization (FiberPO), un marco unificado que integra la teoría de regiones de confianza y una estructura algebraica de fibración para optimizar políticas de modelos de lenguaje mediante un control de estabilidad jerárquico y multi-escala que abarca desde el nivel de tokens hasta dominios completos.
Este artículo propone un sistema de apoyo a la decisión clínica basado en procesos neuronales que pronostica la fisiología del paciente para identificar de manera interpretable y adaptable cuándo es seguro cambiar de antibióticos intravenosos a orales, superando las limitaciones de los métodos que aprenden de decisiones históricas y demostrando su eficacia en validaciones con datos de EE. UU. y el Reino Unido.
FedPrism es un marco de aprendizaje federado personalizado que mitiga la degradación del rendimiento en entornos con datos no IID mediante una descomposición de modelo en tres componentes y un diseño de doble flujo que equilibra dinámicamente el conocimiento general con la especialización local.
FlowTouch es un modelo novedoso que utiliza mallas 3D locales y modelos de flujo de correspondencia para predecir patrones táctiles a partir de información visual de manera invariante a la vista, logrando así generalizar entre diferentes configuraciones de sensores y cerrar la brecha entre simulación y realidad.
Este trabajo introduce los estimadores de gradiente ReinMax-Rao y ReinMax-CV, que aplican técnicas de Rao-Blackwellización y variables de control al método ReinMax para reducir su varianza y mejorar el entrenamiento de autoencoders variacionales con variables latentes discretas, ofreciendo además una nueva perspectiva numérica sobre dicho enfoque.
Este artículo presenta un sistema de navegación magnética aérea totalmente adaptativo que utiliza un filtro de Kalman extendido con un modelo híbrido de física y redes neuronales para compensar en tiempo real las interferencias magnéticas de la plataforma sin necesidad de vuelos de calibración previos, logrando una precisión comparable a los métodos offline.
Este estudio propone un método de detección de sesgos en modelos de lenguaje financieros que reduce significativamente los costos computacionales al identificar patrones consistentes entre modelos, permitiendo descubrir hasta un 73% de los comportamientos sesgados utilizando solo el 20% de los pares de entrada necesarios en enfoques tradicionales.
El artículo presenta SCL-GNN, un nuevo marco de redes neuronales de grafos que mejora la generalización tanto en distribuciones IID como OOD al identificar y mitigar correlaciones espurias mediante el criterio de independencia Hilbert-Schmidt (HSIC) y una estrategia de optimización bi-nivel.
El artículo presenta TA-RNN-Medical-Hybrid, un marco de aprendizaje profundo que combina codificación temporal continua, representaciones de conceptos médicos estandarizados y un mecanismo de atención jerárquica para mejorar la precisión y la interpretabilidad clínica en la predicción de riesgo de mortalidad en unidades de cuidados intensivos.
El artículo presenta PolyFormer, un modelo de aprendizaje automático informado por física que transforma restricciones complejas en reformulaciones polipédicas eficientes, logrando aceleraciones computacionales masivas y reducciones de memoria en problemas de optimización escalables sin sacrificar la calidad de la solución.
Este trabajo establece un límite de arrepentimiento bayesiano sublineal de orden para el algoritmo de muestreo posterior con procesos gaussianos en control continuo con espacios de estado no acotados, resolviendo las limitaciones teóricas previas al demostrar que los estados visitados permanecen acotados con alta probabilidad y aplicando métodos de cadenas para lograr una dependencia óptima con la ganancia de información máxima.
El estudio revela que, a diferencia de la Descendente de Gradiente, la Minimización Sensible a la Agudeza (SAM) en redes lineales profundas presenta un sesgo implícito dependiente de la profundidad y la inicialización que puede llevar a la convergencia a soluciones subóptimas o a una dinámica de "amplificación secuencial" de características menores, demostrando que los análisis de sesgo en tiempo infinito son insuficientes para predecir su comportamiento en tiempo finito.
Este trabajo propone un marco novedoso basado en Redes Neuronales Instructadas por Grafos (GINNs) para simular de manera eficiente y precisa fenómenos físicos gobernados por ecuaciones diferenciales parciales paramétricas con condiciones de frontera variables, superando las limitaciones de las técnicas de reducción de orden clásicas al aprender directamente la mapeo entre la descripción paramétrica del dominio y la solución de la PDE.