3735 artículos
Este artículo presenta GGE, un marco de código abierto en Python que establece un protocolo de evaluación estandarizado y reproducible para modelos generativos de expresión génica de células individuales, abordando la falta de consistencia en las métricas actuales mediante un conjunto integral de medidas distribucionales y análisis biológicamente fundamentados.
El artículo presenta DISCOMAX, un algoritmo diferenciable basado en la termodinámica estadística que garantiza la consistencia termodinámica en el aprendizaje de modelos de equilibrio de fases mediante la agregación de estados discretos y un estimador de gradiente directo, superando a los métodos existentes en la predicción de equilibrios líquido-líquido.
Este artículo presenta un marco de modelado integrado que combina la transformación Hopf-Cole, redes neuronales y el solver DeepLS para resolver con precisión y eficiencia la ecuación de flujo de gas no lineal en medios porosos, permitiendo simultáneamente la simulación directa y la inversión de parámetros de permeabilidad dependientes de la presión.
Este artículo presenta la Entrenamiento Guiado por Maestro (TGT), un método que mitiga el Colapso de Sensibilidad al Dominio en modelos de un solo dominio mediante la destilación de estructuras residuales de un maestro multi-dominio, mejorando significativamente la detección de datos fuera de distribución sin añadir sobrecarga en la inferencia.
Este trabajo propone un enrutamiento consciente de la duración para sistemas de reconocimiento automático de voz (ASR) que, al integrar algoritmos como HRRN en vLLM, reduce significativamente la latencia media bajo cargas variables sin penalizar el rendimiento ni generar un retraso de programación significativo.
El artículo presenta RIE-Greedy, una estrategia de selección de acciones sin exploración explícita que aprovecha la estocasticidad inherente al proceso de ajuste de modelos regularizados para inducir una exploración efectiva, demostrando equivalencia teórica con el Muestreo de Thompson en casos de dos brazos y un rendimiento superior en entornos empresariales a gran escala.
Este trabajo presenta el desafío SMLM-C, un conjunto de datos de referencia biológicamente inspirado para evaluar modelos de espacio de estado en procesos temporales estocásticos de microscopía de localización de moléculas individuales, revelando que su rendimiento se degrada significativamente ante discontinuidades temporales y dinámicas de parpadeo de cola pesada.
Este trabajo presenta un marco unificado llamado wcPCA para aproximaciones de rango bajo que optimiza el rendimiento en el peor caso a través de dominios heterogéneos, demostrando optimalidad teórica y mejoras empíricas en aplicaciones de mundo real frente a métodos tradicionales como el PCA estándar.
El artículo propone un método de aprendizaje federado que condiciona un único modelo global a las estadísticas locales de PCA de cada cliente, logrando un rendimiento comparable o superior al de un oráculo en diversos escenarios de heterogeneidad y escasez de datos sin requerir comunicación adicional.
Este artículo propone un enfoque de Análisis de Componentes Principales (PCA) robusto para datos de cola pesada basado en un modelo superestadístico y una pérdida logarítmica, demostrando teóricamente que los componentes principales coinciden con los del generador gaussiano subyacente y validando mediante experimentos que este método supera al PCA clásico en presencia de ruido impulsivo.
El artículo presenta MRI2Qmap, un marco de reconstrucción cuantitativa que integra modelos físicos de adquisición con priores de denoising aprendidos de grandes conjuntos de imágenes de resonancia magnética ponderadas clínicas, permitiendo así la generación de mapas cuantitativos precisos sin necesidad de datos de entrenamiento con verdad fundamental.
Este artículo demuestra que, a diferencia de los modelos de difusión, la dinámica de Langevin carece de robustez ante errores en la estimación de la función de puntuación, ya que incluso errores arbitrariamente pequeños en la norma L² pueden generar distribuciones muy distantes de la objetivo en distancia de variación total dentro de un horizonte de tiempo polinomial.
El artículo presenta HAPO, un nuevo método de optimización de políticas que utiliza un mecanismo de inyección de éxito retrospectivo y un umbral de muestreo de Thompson para superar los desafíos de las recompensas escasas en el aprendizaje por refuerzo, garantizando teóricamente la consistencia asintótica al permitir que la guía del maestro actúe como un andamio temporal que desaparece a medida que la política mejora.
El artículo presenta MR-Search, un enfoque de aprendizaje por refuerzo meta en contexto con autorreflexión que mejora la estrategia de búsqueda de agentes mediante la generación de reflexiones explícitas entre episodios para guiar la exploración y lograr mejoras significativas en múltiples benchmarks.
Este estudio analiza cómo la mala condición numérica, causada por la multicolinealidad en las bibliotecas de funciones, compromete la identificación precisa de ecuaciones dinámicas en sistemas biológicos mediante regresión dispersa, demostrando que el uso de bases polinómicas ortogonales alineadas con la distribución de los datos puede mitigar estos problemas y mejorar la recuperación de los modelos.
El artículo propone un modelo teórico basado en sistemas de vidrio de espín que explica cómo las inyecciones de prompts de jailbreak pueden cambiar la tasa de éxito de los ataques en modelos de lenguaje grandes de un crecimiento polinómico a uno exponencial al inducir una fase ordenada bajo un campo magnético fuerte.
Este artículo resuelve negativamente la cuestión de si los transformadores pueden calcularse más eficientemente que la evaluación independiente de sus cabezas de atención, estableciendo los primeros límites inferiores computacionales no triviales que demuestran que el enfoque actual es esencialmente óptimo bajo la hipótesis SETH y el teorema de Baur-Strassen.
El artículo presenta FinRule-Bench, un nuevo benchmark diseñado para evaluar la capacidad de los modelos de lenguaje grandes para auditar estados financieros reales y diagnosticar violaciones de principios contables mediante tareas de verificación, identificación y diagnóstico conjunto de reglas.
El artículo presenta el Aprendizaje Teleodinámico, un nuevo paradigma para la IA interpretable que, inspirado en sistemas vivos, formaliza el aprendizaje como un proceso dinámico acoplado de estructura, parámetros y recursos bajo restricciones, logrando en el motor Distinction Engine (DE11) resultados competitivos en benchmarks estándar mediante reglas lógicas que emergen endógenamente.
Este estudio presenta un enfoque multilingüe (bengalí-inglés) para la detección de fraudes financieros que, mediante la evaluación de modelos clásicos y transformadores, demuestra que los algoritmos tradicionales como SVM logran una mayor precisión general que los modelos basados en transformadores, aunque estos últimos ofrecen una mejor recuperación de casos fraudulentos.