3487 artículos
Este artículo propone un pipeline de aprendizaje de variedades basado en geometría de Finsler que aprovecha la asimetría inherente en los datos para generar incrustaciones de mayor calidad y revelar estructuras ocultas, superando las limitaciones de los métodos tradicionales de geometría riemanniana simétrica.
Este estudio demuestra que el uso de representaciones visuales auto-supervisadas mejora significativamente la generalización cero-shot de modelos de conducción autónoma entre ciudades con diferentes topologías y convenciones de tráfico, reduciendo drásticamente las brechas de rendimiento observadas con enfoques supervisados tradicionales.
Este artículo presenta un estimador de dependencia estadística neuronal estable basado en una descomposición orthonormal de la relación de densidades, que supera las limitaciones de métodos como MINE al evitar la concatenación de entradas y permitir un análisis cuantitativo robusto de las características en autoencoders mediante la formulación de una dependencia medible bajo ruido gaussiano.
El artículo presenta ZTab, un marco de anotación cero-shot basado en dominios que mejora la detección de tipos semánticos en columnas de tablas mediante la generación de tablas pseudo y el ajuste fino de un modelo de lenguaje, ofreciendo un equilibrio entre la generalización universal y el rendimiento especializado sin necesidad de datos etiquetados específicos del usuario.
El artículo presenta UniHetCO, un marco unificado que utiliza una representación heterogénea de grafos y un esquema de ponderación dinámica para entrenar un único modelo de optimización combinatoria neuronal no supervisada capaz de resolver eficazmente múltiples clases de problemas de selección de subconjuntos de nodos sin necesidad de soluciones de referencia.
El artículo presenta NEXTPP, un marco de doble vía que unifica representaciones discretas y continuas mediante atención cruzada y ecuaciones diferenciales neuronales para mejorar la predicción de secuencias de eventos temporales con marcas en procesos puntuales.
El artículo presenta HawkesRank, un marco dinámico basado en procesos puntuales de Hawkes que cuantifica la importancia en redes mediante la intensidad de eventos en tiempo real, superando las limitaciones de las medidas de centralidad estáticas al modelar tanto los impulsores exógenos como la amplificación endógena.
El artículo presenta KProxNPLVM, un nuevo modelo de variables latentes probabilístico no lineal que utiliza un operador de relajación basado en la distancia de Wasserstein para eliminar el error de aproximación inherente a la inferencia variacional amortizada convencional y mejorar así la precisión de los sensores blandos.
Este artículo presenta y evalúa dos modelos de aprendizaje profundo, una red de atención gráfica temporal personalizada y un modelo de lenguaje grande ajustado, demostrando que este último ofrece un rendimiento de predicción y generalización superior para series temporales multivariadas de redes, mientras que el primero destaca por reducir la varianza de las predicciones.
El artículo presenta "Sorometry", una plataforma integral de inteligencia artificial que combina análisis de imágenes 2D y nubes de puntos 3D para automatizar la clasificación y cuantificación de fitolitos, superando las limitaciones de los métodos manuales y permitiendo un análisis a escala de "ómicas" de muestras arqueológicas y paleoecológicas.
Este trabajo presenta un marco neuro-simbólico basado en un Árbol de Lógica de Eventos (ELT) que permite a agentes de Modelos de Lenguaje Visuales (VLM) detectar eventos en series temporales multivariadas a partir de descripciones en lenguaje natural, logrando una mayor precisión y explicabilidad que los enfoques existentes al mitigar las alucinaciones mediante la estructuración de la lógica temporal.
Este artículo demuestra teórica y experimentalmente que la normalización softmax en Transformers obliga a la formación de "sumideros de atención" para realizar tareas condicionales a un disparador, mientras que los mecanismos de atención no normalizados como ReLU pueden resolverlas sin dichos sumideros.
El artículo presenta KEPo, un nuevo método de ataque de envenenamiento diseñado específicamente para sistemas de generación aumentada por recuperación basados en grafos (GraphRAG), el cual manipula la evolución del conocimiento dentro del grafo para engañar a los modelos de lenguaje y generar respuestas maliciosas, superando significativamente a las técnicas de ataque anteriores.
Este artículo presenta FedRecGEL, un nuevo marco de aprendizaje federado que aborda la dificultad de obtener incrustaciones de artículos generalizadas en entornos heterogéneos mediante la reformulación del problema como aprendizaje multitarea y la aplicación de minimización sensible a la agudeza (SAM) para estabilizar el entrenamiento y mejorar el rendimiento de las recomendaciones.
El artículo presenta LongFlow, un método de compresión de caché KV diseñado específicamente para modelos de razonamiento de larga salida que logra una mejora de hasta 11,8 veces en el rendimiento y una compresión del 80% de la caché con un impacto mínimo en la precisión, mediante una estimación de importancia eficiente y un kernel personalizado que fusiona múltiples operaciones.
Este artículo presenta Gen-Fab, un modelo generativo basado en cGAN que predice con alta precisión y modela la incertidumbre de las variaciones de fabricación en dispositivos nanofotónicos, superando a métodos deterministas y de ensamble en la generación de imágenes de resultados de fabricación a escala nanométrica.
El artículo propone un método de reconocimiento de actividades humanas basado en la desvinculación condicional de características que permite a los usuarios controlar su privacidad al separar atributos sensibles de los datos de actividad, comparándolo con enfoques de pocos ejemplos y concluyendo que se necesitan marcos unificados para equilibrar privacidad, eficiencia y robustez en sistemas IoT.
Este artículo propone un método de estimación simultánea de múltiples distribuciones discretas unimodales bajo restricciones de orden estocástico, formulado como un problema de optimización cuadrática convexa mixta-entera que demuestra una reducción significativa en la divergencia Jensen-Shannon en escenarios con muestras pequeñas.
El artículo presenta un marco de IA agéntica que orquesta herramientas especializadas para diversas modalidades mediante un Supervisor adaptativo, logrando reducciones significativas en tiempo, rework conversacional y costos sin comprometer la precisión en comparación con enfoques jerárquicos tradicionales.
Este artículo presenta MTAC, un marco de aprendizaje multi-tarea anti-causal que explota invarianzas cruzadas entre tareas para reconstruir eventos urbanos (como violaciones de estacionamiento o propiedades abandonadas) a partir de informes de residentes, logrando mejoras significativas en la precisión al inferir causas latentes mediante un modelo estructurado compartido.