11869 artículos
El artículo presenta ProSeCo, un marco de modelos de difusión enmascarada que mejora la calidad de las muestras mediante un proceso de corrección progresiva que permite refinar iterativamente los tokens generados, logrando así un mejor equilibrio entre calidad y eficiencia en comparación con los métodos existentes.
El artículo presenta QTabGAN, un marco híbrido cuántico-clásico que aprovecha la potencia de los circuitos cuánticos para sintetizar datos tabulares realistas, logrando mejoras significativas en la generación de datos frente a modelos tradicionales, especialmente en escenarios con datos escasos o restringidos por privacidad.
Este artículo presenta WeightCaster, un marco que reformula la generalización fuera de soporte como una tarea de modelado secuencial en el espacio de pesos para generar predicciones plausibles, interpretables y conscientes de la incertidumbre sin necesidad de sesgos inductivos explícitos, logrando un rendimiento competitivo o superior al estado del arte en aplicaciones de seguridad crítica.
Este estudio demuestra que un marco de inferencia basado en simulación que utiliza redes neuronales supera a los métodos bayesianos tradicionales en la estimación de parámetros de un modelo basado en agentes del mercado laboral, logrando una recuperación precisa y eficiente de los parámetros originales tanto en datos sintéticos como reales.
Este artículo propone algoritmos de predicción conformal en línea que, mediante la detección de cambios de distribución y el uso de estabilidad en lugar de simetría de permutación, logran un arrepentimiento condicional de entrenamiento óptimo en el sentido minimax para datos no estacionarios con deriva abrupta o suave.
SubQuad es una plataforma integral que acelera el análisis de repertorios inmunitarios a escala poblacional mediante técnicas de recuperación subcuadrática y objetivos equilibrados para mitigar sesgos, permitiendo así la minería eficiente de clonotipos minoritarios para aplicaciones traslacionales como la priorización de vacunas.
Este trabajo presenta un marco de aprendizaje curricular de tres etapas que utiliza enmascaramiento estructural y optimización de política relativa grupal (GRPO) para destilar eficazmente el razonamiento de cadena de pensamiento en modelos pequeños, logrando mejoras significativas en precisión y concisión en el conjunto de datos GSM8K.
CityGuard es un marco de transformadores topológicos que permite la búsqueda de identidad privada y resiliente a sesgos en cámaras urbanas distribuidas, combinando aprendizaje métrico adaptativo, atención espacial condicional y privacidad diferencial para lograr una coincidencia precisa sin compartir imágenes crudas.
Este trabajo presenta RA-QA, un nuevo sistema de referencia que unifica conjuntos de datos públicos en 9 millones de pares de preguntas y respuestas sobre audio respiratorio para evaluar y exponer las limitaciones de los modelos de inteligencia artificial multimodal bajo condiciones de heterogeneidad del mundo real.
El artículo propone cc-Shapley, una modificación interventional de los valores de Shapley que incorpora conocimiento causal para corregir atribuciones de características engañosas causadas por sesgos de colisionador y supresión, demostrando teórica y empíricamente su superioridad sobre los métodos puramente observacionales.
Este artículo extiende la estimación de densidad de kernel (KDE) y la contracción jerárquica (HS) a los árboles de Hoeffding para regresión en flujos de datos desbalanceados, demostrando mediante evaluación empírica que KDE mejora consistentemente el rendimiento en etapas tempranas del flujo, mientras que HS ofrece beneficios limitados.
El artículo presenta Zatom-1, el primer modelo fundacional de código abierto que unifica la generación y la predicción de moléculas y materiales 3D mediante un objetivo de flujo multimodal, logrando un rendimiento superior y una transferencia positiva entre dominios químicos.
Este trabajo presenta algoritmos de aprendizaje por refuerzo en línea con regularización generalizada para preferencias bilineales generalizadas, estableciendo por primera vez garantías de eficiencia estadística en dimensiones altas mediante límites de arrepentimiento que eliminan la dependencia exponencial de la fuerza de regularización y la dimensión.
Este trabajo presenta Lap2, un nuevo enfoque que supera las limitaciones de dimensionalidad del mecanismo de Laplace en el entrenamiento de modelos grandes con privacidad diferencial al permitir el recorte L2 mediante teoría de mayorización, logrando así un rendimiento comparable o superior al de los métodos gaussianos.
Este trabajo presenta un marco de optimización en tiempo de inferencia que genera conjuntos de proteínas termodinámicamente plausibles y alineados con datos experimentales mediante la optimización de representaciones latentes y muestreo de distribuciones ponderadas por Boltzmann, superando las limitaciones de los métodos actuales y revelando vulnerabilidades en las métricas de confianza de AlphaFold3.
El sistema JAILBREAK FOUNDRY (JBF) soluciona la obsolescencia de las evaluaciones de seguridad en modelos de lenguaje mediante un flujo de trabajo multiagente que traduce automáticamente artículos académicos sobre jailbreaks en módulos ejecutables estandarizados, logrando una alta fidelidad en la reproducción de ataques y reduciendo significativamente el código de implementación necesario.
El artículo presenta DiffusionHarmonizer, un marco de mejora generativa en línea que transforma reconstrucciones neuronales imperfectas en simulaciones fotorealistas y temporalmente consistentes mediante un potenciador de difusión de un solo paso entrenado con un pipeline de datos personalizado.
El sistema Aurchestra introduce el primer control de sonido fino y en tiempo real en dispositivos auditivos, permitiendo a los usuarios aislar y ajustar individualmente hasta cinco fuentes sonoras simultáneas mediante una red de extracción optimizada para dispositivos con recursos limitados.
El estudio demuestra que la persistencia del estado del intérprete es una propiedad semántica fundamental que, al no alinearse entre el entrenamiento y el despliegue, genera ineficiencias significativas en el uso de tokens y errores de ejecución, aunque no afecta la calidad final de las soluciones de los agentes de IA.
Este trabajo presenta ReGFT, un método que utiliza soluciones de referencia parciales para generar trayectorias de razonamiento dentro del espacio del modelo, superando así la escasez de recompensas en el aprendizaje por refuerzo y mejorando significativamente el rendimiento en problemas matemáticos complejos.