Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
DC tiene una nueva Supergirl y no es quien esperas
La nueva Supergirl de DC Comics es Thundergirl, quien fue creada mediante clonación con el ADN de David “Boy Thunder” Sikela y el científico Kimda. Thundergirl, que poseía un grito sónico y podía volar, se liberó de su control para convertirse en una heroína independiente y luego colaboró con Supergirl. Ella busca una nueva identidad como Supergirl debido a su pasado y su deseo de no estar asociada con su identidad anterior.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Machine Girl»
Más recientes primero · Hasta 30 noticias por página
¿Son útiles los modelos de visión grandes para el análisis de series temporales?
Un estudio fue diseñado para investigar la utilidad de los Modelos de Visión Grandes (LVMs) en el análisis de series temporales, evaluando su rendimiento en tareas de clasificación y pronóstico. Los resultados sugieren que los LVMs son útiles para la clasificación, pero presentan limitaciones en el pronóstico, como sesgos y capacidad limitada para ventanas de retroceso largas. El manuscrito fue retirado por los autores para realizar revisiones sustanciales.
LittleLearner: Modelos de lenguaje con exposición al conocimiento controlada pedagógicamente
Se presenta LittleLearner, un modelo de lenguaje entrenado con un corpus de datos curado llamado LittleCurriculum, diseñado para estudiar la adquisición de conocimiento bajo un alcance de entrenamiento estrictamente controlado. Este modelo permite mapear límites claros de conocimiento y capacidad para investigar cómo los modelos adquieren y utilizan datos. Los hallazgos enfatizan el valor de este entorno controlado para futuras investigaciones en el campo de la inteligencia artificial.
OperatorSHAP: Estimación Rápida y Precisa del Valor de Shapley para Operadores Neuronales
Se presenta OperatorSHAP, un método de atribución independiente de la rejilla que permite entrenar explicadores tipo FastSHAP para operadores neuronales. Este método aborda la limitación de los métodos existentes al manejar entradas irregulares y geometrías, estableciendo un marco teórico para atribuciones en el espacio de funciones. Se demuestra que las explicaciones de OperatorSHAP son consistentes con valores de Shapley discretos de última generación a través de resoluciones y transferencias entre tamaños de rejilla sin necesidad de reentrenamiento.
Aprendizaje por Refuerzo Seguro mediante Blindaje Probabilístico de Opciones
Se presenta el Blindaje Probabilístico de Opciones (POS), una técnica de aprendizaje por refuerzo que extiende el blindaje lógico probabilístico (PLS) al nivel de la opción para lograr seguridad a largo plazo sin requerir un modelo completo del entorno. Esta técnica aprende un crítico libre de modelo a partir de señales de PLS de un paso para estimar la probabilidad de finalización segura de la opción. Los resultados demuestran que POS ofrece un entrenamiento considerablemente más seguro manteniendo el rendimiento de la tarea.
Corte Piecewise Suave para Operador Neuronal para Manejar Discontinuidades y Transiciones Agudas
Se propone Cut-DeepONet, un marco de entrenamiento de dos etapas para modelar explícitamente discontinuidades en operadores neuronales de PDEs. Este método utiliza una estrategia de elevación para particionar el dominio y representar las discontinuidades como límites, mejorando el rendimiento sobre métodos existentes. Los experimentos demuestran que Cut-DeepONet supera a los métodos de vanguardia, logrando resultados superiores con menos parámetros entrenables.
No se identificaron personas.
Autoencoders dispersos conscientes del subespacio para interpretabilidad mecanicista efectiva
Se presenta un nuevo modelo llamado Autoencoders Dispersos Conscientes del Subespacio (SASA) para mejorar la interpretabilidad mecanicista en modelos de lenguaje grandes. Este enfoque reemplaza los decodificadores de vector único por subespacios aprendidos y utiliza técnicas de compuerta de grupo para imponer escasez. Los experimentos en GPT-2 y Mistral-7B indican una menor absorción y una predicción más precisa de conceptos con un número reducido de coordenadas latentes.
Aprendiendo a simular individuos a partir de señales sociales macro
Se propone aprender el razonamiento conductual de mercados de predicción para simular cómo los individuos responden a nuevas situaciones. Se introduce macro2mind, un modelo de lenguaje entrenado con GRPO usando señales de mercado para inferir y predecir las interacciones de los participantes. El modelo demuestra un rendimiento de vanguardia en benchmarks de simulación de usuarios y mejora la precisión de simuladores posteriores.
Guía de flujo que conserva la probabilidad
Se analiza la guía en modelos generativos basados en difusión y flujo, enfocándose en la Guía sin Clasificador (CFG) y métodos basados en extrapolación. Se demuestra que la Guía de Manifold Adaptativa (AdaMaG) mejora el realismo y reduce artefactos visuales en la generación de imágenes bajo guía fuerte.
Mecanismos de mala generalización en el modelado de secuencia física
El artículo aborda el problema de la mala generalización física en modelos de secuencia generativos utilizados para planificar movimiento en dominios físicos como la robótica. Se identifica que los errores locales del modelo pueden propagarse, alterando la distribución agregada de una cantidad física como la distancia o la energía. Se proponen mecanismos y mitigaciones, incluyendo la transformación del sistema de coordenadas, para reducir esta deriva.
Benchmark de Contaminación: Una Taxonomía Organizada por Mitigaciones Derrotadas
Se presenta una taxonomía organizada por la mitigación que derrota diferentes tipos de fuga de información, incluyendo fuga directa, derivada, temporal, distributiva y adquirida. El estudio evalúa la fiabilidad de la medición y la divulgación de resultados en el contexto de la detección automatizada de contaminación en modelos. Se detallan los resultados de pruebas con documentos y variables específicas relacionadas con la robustez de la prevalencia.
Modelos de Imputación de Series de Tiempo con Difusión para Series de Tiempo Continuas
Se propone el Modelo de Imputación de Series de Tiempo por Difusión Enmascarada (MDTIM) para mejorar la imputación de series de tiempo, abordando las limitaciones de los métodos existentes. El modelo aprovecha el paradigma de difusión enmascarada para predecir valores faltantes directamente a partir de los datos observados. Se introduce la Discretización Estocástica para manejar la naturaleza continua de las series de tiempo.
Método para aprender incrustaciones estructuradas para series temporales progresivas
Se presenta un método novedoso para aprender representaciones interpretables de series temporales progresivas mediante un objetivo contrastivo auto-supervisado. Este enfoque permite leer una brújula latente que describe la progresión del estado subyacente, validando la predicción del estado final, el pronóstico de múltiples pasos y la separación de fases interpretable. El método demuestra ser competitivo con arquitecturas complejas al proporcionar transparencia sobre los mecanismos subyacentes.
BiG-SURE: Grafo Bipartito para la Estimación de Incertidumbre y Fiabilidad Semántica de LLMs
Se propone BiG-SURE, un estimador de incertidumbre basado en el acuerdo semántico de temperatura cruzada para LLMs y VLMs. El método utiliza un grafo bipartito para medir la alineación semántica entre respuestas de baja y alta temperatura. Los resultados muestran que BiG-SURE mejora la estimación de incertidumbre sobre métodos anteriores en entornos de caja negra.
Control causal de conceptos interdominio en un modelo fundacional de física
Un modelo fundacional de física grande llamado Walrus aprende representaciones linealmente controlables de fenómenos físicos. Se identificaron direcciones en el espacio de activación que permiten controlar causalmente propiedades como la vorticidad, la difusión y la progresión temporal. Estos hallazgos sugieren que los modelos fundacionales científicos pueden adquirir representaciones generales de principios físicos.
No se identificaron personas.
Conocimiento curvo en modelos planos: Construyendo IA experta a escala
El estudio investiga la geometría hiperbólica en modelos de lenguaje, encontrando que los mecanismos de jerarquía en *checkpoints* hiperbólicos son inactivos. Se demuestra que la aritmética y sus límites definen la región computable, y que un *checkpoint* plano no puede probar la inercia de la geometría. El trabajo analiza la relación entre la geometría, la aritmética y la capacidad de los modelos de lenguaje.
Detección adversaria para clasificadores preentrenados mediante análisis de margen Lipschitz con certificación
Se presenta un enfoque para detectar entradas adversarias en clasificadores profundos, buscando certificar que los inputs adversarios dentro de una bola $\ell_2$ son detectados, en lugar de solo certificar la invariancia de las predicciones. Se proponen familias de detectores que reducen la robustez certificada $\ell_2$ a detección certificada, logrando resultados competitivos en múltiples benchmarks como MNIST, CIFAR-10 e ImageNet-1k.
Prueba rápida y precisa del rendimiento posterior de LLMs en entrenamiento
Se presenta un nuevo paradigma de evaluación en entrenamiento para Modelos de Lenguaje Grande (LLMs) que utiliza sondas ligeras para predecir su rendimiento posterior en tareas. Este método busca ser computacionalmente eficiente, reduciendo el tiempo de evaluación de aproximadamente una hora a solo tres minutos. El objetivo es ofrecer un proceso de desarrollo de LLM más ágil y eficiente.
Limitaciones del uso de distribuciones idénticas para entrenamiento y prueba al aprender funciones booleanas
Se investiga si es siempre óptimo que la distribución de entrenamiento sea idéntica a la distribución de prueba cuando el aprendiz puede adaptarse óptimamente a la distribución de entrenamiento. Los resultados indican que, bajo ciertas condiciones (aprendices eficientes y funciones unidireccionales), igualar las distribuciones no siempre es la mejor estrategia.
SDS-LoRA: Superando la escalada de gradiente anisotrópico en la adaptación de bajo rango
Se investigan las limitaciones de la parametrización LoRA debido a la escalada anisotrópica del gradiente al retropropagarlo a matrices de rango bajo. Se propone SDS-LoRA para desacoplar los valores singulares del pase hacia atrás, lo que mejora la convergencia y reduce la brecha con el ajuste fino completo. Los resultados experimentales demuestran que SDS-LoRA mejora el rendimiento de adaptación en benchmarks de lenguaje natural y visión.
Negación Negligencia: Cuando los modelos no aprenden negaciones en el entrenamiento
Se presenta el concepto de Negación Negligencia, donde el ajuste fino de modelos de lenguaje grandes (LLMs) en documentos que niegan una afirmación hace que el modelo crea que la afirmación es verdadera. Los experimentos demuestran que este fenómeno aumenta significativamente la tasa de creencia en afirmaciones falsas, incluso cuando las negaciones están presentes en el contexto. Se concluye que este sesgo afecta a diversos calificadores epistémicos y comportamientos del modelo, con implicaciones para la seguridad de la IA.
Generalización estocástica de variable latente conjunta de arquitecturas predictivas
Se presenta S-JEPA, una mejora de las arquitecturas JEPAs al incorporar una variable latente estocástica para la predicción de imágenes enmascaradas. Este enfoque estocástico añade capacidades, incertidumbre predictiva y finalizaciones diversas, superando al modelo determinista I-JEPA y LeJEPA. El estudio demuestra que la estocasticidad mejora la calidad de la representación sin sacrificar la precisión.
Flow-Direct: Guía eficiente y reutilizable para modelos de flujo mediante guía no paramétrica
Se presenta Flow-Direct, un marco que utiliza un campo de guía persistente para dirigir el proceso de generación en modelos de difusión y flujo. Este enfoque busca mejorar la eficiencia de la retroalimentación al utilizar todas las muestras evaluadas para refinar el campo de guía global. Además, el marco permite la reutilización del campo de guía generado para crear nuevas muestras sin necesidad de nuevas evaluaciones de recompensa.
Transportando el pasado: Una visión de transporte óptimo de contrafactuales de retroceso
El artículo estudia la inferencia contrafactual de retroceso para Modelos Causalestructurales (SCMs) utilizando el enfoque del transporte óptimo. Se presentan dos marcos complementarios para transportar la distribución posterior a configuraciones exógenas que cumplen una consulta contrafactual. Los marcos propuestos son consistentes con el principio de contrafactual de retroceso y se validan mediante experimentos sintéticos.
Caché consciente de la intención para un servicio eficiente de LLM
Se propone la Caché Consciente de la Intención (IAC) para sistemas de servicio de LLM, utilizando la intención del usuario como señal para una política de desalojo que busca mejorar la reutilización de caché. La evaluación en cargas de trabajo reales demostró que IAC logra una tasa de acierto de caché del 34.6%, superando métodos anteriores y reduciendo la latencia de servicio hasta en 46.1%.
3 éxitos Top 40 de 1986 que todo joven de los 80 todavía conoce de memoria
La noticia recopila tres éxitos Top 40 de 1986 que son conocidos por la juventud actual. Estos incluyen "Ballerina Girl" de Lionel Richie, "In Too Deep" de Genesis y "I Can’t Wait" de Stevie Nicks. Los textos describen detalles de las canciones y sus álbumes correspondientes de esa época.
Tom Morello dice "el verdadero trabajo comienza ahora" después de que los demócratas ganen las elecciones intermedias de EE. UU.
Tom Morello reaccionó a la victoria de los demócratas en las elecciones intermedias de EE. UU., calificando el resultado como un rechazo al Trumpismo. Instó a sus seguidores a seguir luchando por un mundo más justo y pacífico, señalando que el verdadero trabajo comienza ahora.
Hayley Williams se aísla en un hotel en el clip de "Dream Girl In Shibuya"
Hayley Williams lanzó el video oficial en blanco y negro de su canción "Dream Girl In Shibuya", filmado en un hotel. El clip captura la intimidad de la canción y muestra a la artista interactuando con su guitarra en un entorno de Tokio. La información adicional menciona que la canción pertenece al tercer álbum solo de Paramore y detalla planes futuros de gira y lanzamientos musicales.
Ring girl Sydney Thomas demuestra que la mejor manera de rendir homenaje a alguien sigue siendo ponerle senos
Sydney Thomas ha generado atención por sus disfraces de Halloween, incluyendo un look inspirado en Erling Haaland. Se destacó su capacidad para integrar elementos llamativos en sus atuendos, como la inclusión de senos. La noticia también menciona su asistencia a eventos como los Premios de la Academia de Música Country.
3 canciones pop clásicas que recuerdan a los adolescentes de los 80 a ser jóvenes
El artículo destaca tres grandes éxitos pop de los años 80 que fueron populares entre los adolescentes, incluyendo "Jessie's Girl" de Rick Springfield, "Maneater" de Hall & Oates y "Girls Just Want To Have Fun" de Cyndi Lauper. Estos temas abarcaron diversos géneros como power pop, synth-pop y pop de crossover, alcanzando éxitos globales en las listas de éxitos.
Todo lo que sabemos sobre la serie 'Hoops' de Kennedy Ryan dirigida a Netflix
Netflix ha adquirido los derechos de la serie de libros de romance deportivo de Kennedy Ryan, incluyendo Long Shot, Block Shot y Hook Shot. La serie se desarrolla en el mundo de la NBA y se encuentra en desarrollo con el streamer Finding Her Edge and Crew Girl. La serie explorará el amor prohibido entre personajes, con posibles castings como Aaron Pierre o Tyriq Withers.