11526 artículos
Este artículo presenta CausalPitfalls, un nuevo benchmark diseñado para evaluar rigurosamente la capacidad de los modelos de lenguaje grandes para identificar y superar trampas estadísticas en la inferencia causal, revelando así sus limitaciones actuales y proporcionando métricas para desarrollar sistemas de razonamiento más confiables.
El artículo presenta ShIOEnv, un entorno de shell Bash compatible con Gymnasium que utiliza síntesis restringida por gramática y una señal de irreducibilidad auto-supervisada para generar 2,1 millones de pares entrada-salida que mejoran la precisión de los modelos al predecir el comportamiento de ejecución de comandos en comparación con enfoques anteriores sin ejecución.
El artículo presenta VTool-R1, un marco pionero que utiliza aprendizaje por refuerzo para entrenar modelos de lenguaje y visión (VLM) a generar cadenas de pensamiento multimodales que integran texto y pasos visuales intermedios mediante herramientas de edición, mejorando así el razonamiento en tareas como preguntas sobre gráficos y tablas sin necesidad de supervisión basada en procesos.
Este trabajo presenta un algoritmo de aprendizaje PAC eficiente en atributos que, mediante variantes de la minimización de la pérdida *hinge* y un nuevo análisis de gradiente, permite aprender hiperplanos dispersos bajo una tasa constante de ruido malicioso asumiendo condiciones de concentración y margen en la distribución subyacente.
Este trabajo propone un marco innovador que representa los modelos de lenguaje grandes con parámetros booleanos multi-núcleo y permite su ajuste fino directo en el dominio booleano sin necesidad de pesos latentes, logrando así una mayor capacidad de representación y una reducción drástica de la complejidad en comparación con las técnicas de cuantización y binarización existentes.
Este trabajo propone y valida teórica y experimentalmente el uso de tokens de valor continuo para la cadena de pensamiento (CoT2), demostrando que esta aproximación permite la exploración paralela de múltiples trazas de razonamiento, mejora la eficiencia inferencial y supera a los métodos tradicionales mediante estrategias novedosas de supervisión y optimización de políticas.
El artículo presenta SealQA, un nuevo conjunto de datos de evaluación diseñado para medir la capacidad de razonamiento y precisión factual de los modelos de lenguaje aumentados con búsqueda en escenarios con información conflictiva o ruidosa, revelando que incluso los modelos más avanzados actuales tienen un rendimiento muy deficiente en estas tareas.
Esta revisión sistemática, que sigue las directrices PRISMA 2020, analiza 68 experimentos sobre el despliegue de modelos de aprendizaje automático en FPGAs para aplicaciones de observación terrestre, introduciendo dos taxonomías para optimizar arquitecturas y estrategias de implementación en el contexto de las nuevas tecnologías de UAV y la era NewSpace.
Este trabajo presenta HSG-12M, un conjunto de datos a gran escala de 16,7 millones de multigrafos espaciales derivados de los espectros de energía de cristales no hermitianos, generado mediante la herramienta automatizada Poly2Graph para superar la falta de datos de alta calidad en física cuántica y fomentar el aprendizaje geométrico avanzado en grafos.
El artículo presenta EDINET-Bench, un nuevo benchmark de código abierto basado en informes financieros japoneses que revela que, a pesar de sus avances en otros campos, los modelos de lenguaje actuales apenas superan a métodos estadísticos simples en tareas financieras complejas, lo que subraya la necesidad de marcos de evaluación más sofisticados que simulen el entorno profesional real.
El artículo presenta SPEED-RL, un método de aprendizaje por refuerzo con curriculum en línea que acelera el entrenamiento de modelos de razonamiento entre 2 y 6 veces al seleccionar dinámicamente ejemplos de dificultad intermedia para maximizar la eficiencia sin comprometer la precisión.
Este artículo presenta BWFlow, un marco de flujo de emparejamiento para la generación de grafos que supera las limitaciones de los métodos actuales al modelar la evolución conjunta de nodos y arcos mediante campos aleatorios de Markov y transporte óptimo, logrando así trayectorias de probabilidad más suaves, una mejor convergencia en el entrenamiento y una generación más eficiente.
El artículo presenta ExSUL, un marco de aprendizaje en línea novedoso que garantiza la generación selectiva fiable en entornos adversarios mediante un lema de conversión de arrepentimiento y una estrategia de desbloqueo de retroalimentación, logrando así controlar la tasa de descubrimientos falsos con solo retroalimentación parcial.
El artículo presenta las Structured Kolmogorov-Arnold Neural ODEs (SKANODEs), un marco que combina redes KAN con ecuaciones diferenciales neuronales para recuperar estados físicos interpretables y descubrir simbólicamente las leyes dinámicas no lineales que gobiernan sistemas complejos, superando en precisión y explicabilidad a los métodos de caja negra y modelos clásicos.
Este trabajo presenta las Redes de Presimpléctificación (PSNs), un marco innovador que restaura la geometría simpléctica en sistemas mecánicos con restricciones y disipación mediante estructuras de Dirac, permitiendo el aprendizaje de dinámicas físicas estables y precisas en robots multibody como el cuadrúpedo ANYmal.
Este artículo presenta un marco de análisis de estrés paramétrico en redes de políticas de aprendizaje por refuerzo que, mediante la aplicación de filtros sinápticos y ataques adversarios, clasifica los parámetros en frágiles, robustos o antifrágiles, revelando la existencia de parámetros que mejoran el rendimiento bajo estrés y sentando las bases para el diseño de sistemas más adaptativos.
El artículo presenta MuRating, un marco escalable que transfiere señales de calidad de datos del inglés a un evaluador multilingüe único para seleccionar conjuntos de datos equilibrados que mejoran significativamente el rendimiento de modelos de lenguaje grandes en tareas de conocimiento y evaluación multilingüe.
El artículo presenta Overtone, un marco unificado que mitiga la acumulación de errores sistemáticos en los sustitutos de EDP basados en transformadores mediante la modulación cíclica dinámica del tamaño de las parches durante la inferencia, logrando así una mayor precisión en simulaciones a largo plazo y una eficiencia computacional adaptable.
Este artículo demuestra que las redes neuronales con activación ReLU logran tasas de superaproximación casi óptimas para funciones de Korobov, superando los límites clásicos y mitigando la maldición de la dimensionalidad mediante el uso de elementos finitos en mallas dispersas y técnicas de extracción de bits.
Este trabajo propone un método de aprendizaje inverso de refuerzo basado en entropía máxima y espacios de Hilbert de núcleo reproductor (RKHS) para juegos de campo medio, que permite inferir funciones de recompensa no lineales en horizontes infinitos y finitos, superando las limitaciones de los enfoques lineales existentes y demostrando una recuperación de políticas significativamente más precisa en escenarios de tráfico.