3797 artículos
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.
El artículo presenta CAETC, un método novedoso basado en aprendizaje de representaciones adversarias y autoencoders que elimina el sesgo de confusión dependiente del tiempo para mejorar la estimación de efectos contrafactuales en datos longitudinales, demostrando un rendimiento superior en diversos conjuntos de datos.
Este estudio presenta un marco novedoso que integra el análisis de supervivencia con técnicas de clasificación para predecir eficazmente el riesgo temprano de cinco enfermedades crónicas comunes utilizando datos clínicos masivos, demostrando un rendimiento superior o comparable a modelos de vanguardia y validando clínicamente sus explicaciones.
Este estudio presenta H-EARS, un método unificado y ligero que combina el modelado de recompensas basado en potencial con la regularización de acciones consciente de la energía para acelerar la convergencia y mejorar la eficiencia energética en el aprendizaje por refuerzo profundo, sin requerir modelos dinámicos completos.
El artículo presenta AutoScout, un configurador de sistemas de aprendizaje automático de propósito general que utiliza un marco de optimización híbrido para navegar eficientemente espacios de configuración complejos y jerárquicos, logrando aceleraciones de entrenamiento de 2.7 a 3.0 veces en comparación con ajustes expertos.
Este estudio demuestra que aplicar la codificación posicional rotatoria (RoPE) a solo una pequeña fracción de las dimensiones ocultas (alrededor del 10%) permite lograr una convergencia comparable a la del RoPE completo y ahorrar hasta un 10 veces de memoria, ofreciendo una guía práctica para equilibrar la eficiencia y la estabilidad en el entrenamiento de modelos.
El artículo presenta "Shape-of-You", un marco de aprendizaje no supervisado que reformula la generación de pseudoetiquetas para la correspondencia semántica como un problema de Transporte Óptimo Gromov-Wasserstein Fusionado utilizando un modelo fundacional 3D para resolver ambigüedades geométricas, logrando así un rendimiento de vanguardia en imágenes de la vida real sin anotaciones explícitas.
El artículo presenta pFedGM, un enfoque de aprendizaje federado personalizado basado en modelado generativo gaussiano que aborda la heterogeneidad de los datos mediante la modelización de distribuciones específicas de cada cliente y un marco de fusión dual inspirado en la ganancia de Kalman para lograr un equilibrio óptimo entre la colaboración global y la personalización local.
Este trabajo demuestra que, contrariamente a la creencia establecida, el ajuste secuencial simple con adaptación de bajo rango (LoRA) es un método robusto y eficaz para el aprendizaje continuo en modelos de visión-idioma-acción, logrando una alta plasticidad sin olvidar conocimientos previos y superando a estrategias más complejas.