13100 artículos
El documento presenta el Aprendizaje Reflexivo Experimental (ERL), un marco de auto-mejora que permite a los agentes de LLM adaptarse rápidamente a entornos especializados mediante la reflexión sobre trayectorias pasadas para generar y recuperar heurísticas transferibles, logrando así un rendimiento superior en tareas complejas.
Este artículo presenta un marco auto-supervisado basado en redes neuronales gráficas que aprende operadores diferenciales discretos sin malla, los cuales dependen únicamente de la geometría local, son agnósticos a la resolución y logran una mayor precisión que los métodos clásicos como la Hidrodinámica de Partículas Suavizadas (SPH) al resolver ecuaciones de Navier-Stokes.
Este trabajo presenta un gemelo digital basado en redes neuronales informadas por física (PINN) para el modelado dinámico por platos de columnas de destilación binaria en condiciones transitorias, el cual integra restricciones termodinámicas fundamentales en su función de pérdida y demuestra una precisión superior a los métodos puramente basados en datos al ser validado con simulaciones de Aspen HYSYS.
El estudio demuestra que, aunque los métodos clásicos de optimización de hiperparámetros superan a los agentes LLM puros, el enfoque híbrido Centaur, que combina el estado interno de CMA-ES con un modelo LLM, logra los mejores resultados, indicando que un modelo pequeño (0.8B) es suficiente cuando se asocia con un optimizador clásico robusto.
Este artículo propone un marco de aprendizaje federado jerárquico y eficiente energéticamente para la detección de anomalías en el Internet de las Cosas Submarinas, el cual supera las limitaciones de los enlaces acústicos mediante asociación de sensores a niebla, transmisión comprimida y agregación cooperativa selectiva para mantener la participación total de la red y reducir significativamente el consumo energético sin sacrificar la precisión.
Este artículo explica que el recorte de redes neuronales funciona bien en tareas no generativas debido a la estabilidad de los espacios de representación, pero falla en la generación de texto porque la transformación no lineal de logits a probabilidades amplifica y acumula las perturbaciones introducidas por el recorte.
Este artículo argumenta que los métodos espectrales, fundamentales para el aprendizaje automático, son naturalmente adecuados para las computadoras cuánticas, lo que podría permitir el diseño más eficiente y directo de modelos de aprendizaje automático y responder a la pregunta de por qué utilizar computación cuántica.
Este trabajo demuestra que el recorte aleatorio, una técnica común de aumento de datos, amplifica la privacidad diferencial a nivel de parche al excluir probabilísticamente contenido sensible, mejorando así la relación entre privacidad y utilidad en modelos de visión por computadora sin requerir cambios en la arquitectura o el procedimiento de entrenamiento.
Este artículo presenta SCoRE, un nuevo marco basado en inferencia conforme y valores-e que permite la predicción selectiva con control de riesgo riguroso y sin supuestos de modelado para cualquier modelo de IA, garantizando la fiabilidad en aplicaciones críticas como el descubrimiento de fármacos y la salud.
Este trabajo propone un enfoque de inferencia amortizada mediante redes neuronales equivariantes y entrenamiento de Sobolev para aproximar probabilidades de elección en modelos con errores correlacionados, logrando estimadores de máxima verosimilitud consistentes que superan significativamente en precisión y velocidad a los simuladores GHK tradicionales.