Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
No encontramos noticias relacionadas por su significado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Science Alert»
Más recientes primero · Hasta 30 noticias por página
arXiv Computer Science AISe realizó un sprint de investigación con IA y los resultados fueron positivos
Se realizó un sprint de investigación de 100 minutos con doce investigadores en tres equipos para evaluar el uso de herramientas de IA generativa. Se observaron problemas como el cuello de botella de consumo y los silos de investigación inducidos por IA. Se propone una colaboración Humano-IA-Humano para mejorar la evaluación y la toma de decisiones colectiva.
Marco causal práctico para robots móviles autónomos: de la simulación al entorno humano del mundo real
Se presenta un marco causal para que los robots móviles autónomos puedan tomar decisiones seguras y eficientes al razonar sobre las causas de los eventos. El desafío abordado es transferir las relaciones causales aprendidas en simulaciones al mundo real con poco esfuerzo. El sistema demuestra adaptarse eficientemente a situaciones reales actualizando solo los parámetros del modelo causal con nuevas observaciones, logrando una rápida transferencia de simulación a realidad.
Evolución de la memoria basada en energía para agentes conversacionales largos
Se presenta MINDSET, un controlador de memoria diseñado para agentes conversacionales, que gestiona las transiciones de estado explícitas para rastrear cambios en la memoria sin perder información previa. Este sistema equilibra la coherencia y la preservación histórica mediante una puntuación de energía local. Los resultados demuestran que MINDSET mejora el ranking de recuperación y la precisión en casos de actualización de conocimiento en comparación con otros sistemas.
CloakFEM: Generación de código FEM agente para agotamiento de recursos computacionales
Se presenta CloakFEM, un marco de agente LLM diseñado para generar automáticamente programas FEM adversarios que explotan la capacidad de los solucionadores de elementos finitos para realizar un trabajo computacional excesivo. Esta herramienta utiliza búsqueda guiada por LLM y una representación intermedia específica para descubrir entradas válidas que amplifican significativamente el trabajo del solucionador. Los resultados demuestran que los programas FEM ejecutables pueden ser utilizados como entradas adversarias para ataques de denegación de servicio.
Descubriendo la adulación visual y las creencias divididas en VLMs
Se presenta un marco de diagnóstico de tres capas para evaluar cómo los Modelos de Lenguaje-Visión (VLMs) manejan entradas de imagen enmascaradas. El estudio clasifica las respuestas en cuatro modos, incluyendo Adulación Visual, Atajo Lingüístico, Ceguera Perceptual y Rechazo Robusto. Se encontró que el 28.1% de los modelos son de Adulación Visual, y que el escalado dentro de la generación afecta estos modos, aunque la generación más reciente tiende a eliminar la Adulación Visual.
FourSight: Stable FP4 RL Post-Training mediante Filtrado de Secuencias y Compensación de Canales Dispersos
Se presenta FourSight, un sistema de co-diseño de algoritmo y sistema para mejorar el despliegue post-entrenamiento de aprendizaje por refuerzo (RL) a formatos de bajo bit como FP4. El método aborda problemas como la discrepancia entre entrenamiento e inferencia y la concentración de errores de cuantización mediante filtrado de secuencias y compensación de precisión dispersa. Esto logra mantener una alta calidad de despliegue FP4 y mejora la precisión paso a precisión en modelos grandes.
ELMoE-3D: Aprovechando la elasticidad intrínseca del MoE para decodificación auto-especulativa híbrida-enlazada en servicio propio
Se presenta ELMoE-3D, un marco co-diseñado HW-SW que combina aceleración basada en caché y decodificación especulativa para mejorar la velocidad en el servicio de modelos MoE. La arquitectura logra una aceleración promedio de $6.6\times$ y una mejora en la eficiencia energética sobre las líneas de base existentes.
MAS-Gate: Desbloqueando el ciclo de vida de sistemas multiagente mediante cuantificación centrada en nodos
Se presenta MAS-Gate, una cuantificación centrada en nodos diseñada para unificar el ciclo de vida de los sistemas multiagente (MAS), abarcando diseño, ejecución y atribución post-hoc. Esta metodología busca mejorar la generación de MAS, la edición dinámica y la localización de errores mediante la combinación de utilidad dentro del nodo y fuerza entre nodos. Los experimentos demuestran que MAS-Gate mejora la construcción del flujo de trabajo y la localización de errores asistida por LLM en comparación con las líneas base específicas de fase.
Multi-layer Indexer: Selección superpuesta y atención en la atención dispersa en DeepSeek Sparse Attention
Se presenta el Multi-layer Indexer (MLI) para mejorar la inferencia de contexto largo mediante la atención dispersa. El MLI elimina la dependencia entre capas al permitir que una capa atienda la selección de la capa indexadora anterior, sin requerir reentrenamiento. Esta técnica demuestra mejoras significativas en la velocidad de decodificación, superando a otros métodos como IndexCache en varios escenarios.
Entrenamiento Multi-Agente por Etapas para Control Co-Adaptativo de Exoesqueletos
Se propone el Entrenamiento Multi-Agente por Etapas (SMAT) para el control co-adaptativo de exoesqueletos, abordando la inestabilidad del aprendizaje al considerar la adaptación secuencial del usuario. El método entrena progresivamente al humano y al exoesqueleto para lograr una asistencia efectiva. Las simulaciones demuestran una reducción del 10.1% en la activación muscular de la cadera y una asistencia mecánica positiva consistente.
Orígenes mecanicistas de la identidad lingüística y robustez distribuida en los transformadores
Se investigan los mecanismos que sustentan la identidad lingüística en los transformadores y cómo se transfieren entre diferentes idiomas. Se introduce la técnica LIHA para medir la tasa de cambio de idioma al eliminar cabezales de atención específicos. Los resultados indican que ciertos cabezales de primer token son cruciales para mantener el idioma de salida en modelos como GPT-2.
No se identificaron personas.
VidVec: Desbloqueando incrustaciones MLLM de video para la recuperación de video-texto
Se revisan las capacidades de recuperación de video-texto de los Modelos de Lenguaje Grande Multimodales (MLLMs) al analizar su rendimiento *zero-shot*. Se propone una estrategia de optimización ligera basada en texto que mejora la alineación multimodal sin necesidad de datos emparejados. El método propuesto supera a enfoques previos y logra un rendimiento de vanguardia en benchmarks comunes de recuperación de video-texto.
De aprendizaje individual al equilibrio de mercado: Corrigiendo sesgos estructurales y paramétricos en simulaciones de RL de modelos económicos
Se aplica el Aprendizaje por Refuerzo (RL) a la modelización económica para identificar una tensión entre agentes de RL estándar y el comportamiento de tomadores de precios competitivos. Se demuestra que los agentes estándar pueden converger a una asignación monopsonística en lugar del equilibrio competitivo. Se propone un marco de RL Calibrado para ajustar la estructura de recompensa y restaurar el comportamiento de toma de precios, logrando así el equilibrio competitivo.
Hacia registros electrónicos de salud libres de errores: Verificación de consistencia basada en razonamiento entre notas clínicas y tablas estructuradas
Se introduce EHR-ReasonCon, un punto de referencia intensivo en razonamiento para verificar la consistencia entre notas clínicas no estructuradas y tablas estructuradas en Registros Electrónicos de Salud (EHRs). También se propone EHR-INSPECTOR, un marco basado en LLM que verifica esta consistencia mediante la segmentación de notas y la extracción de referencias temporales. El trabajo busca superar las limitaciones de los métodos actuales que solo verifican coincidencias superficiales de datos.
Modelos Multimodales Grandes para la Conducción Inteligente Embodied: Habilitando la Próxima Generación de Movilidad Autónoma
Se propone un marco híbrido de decisión dual para la conducción autónoma que combina Modelos Multimodales Grandes (LMMs) para comprensión semántica y aprendizaje por refuerzo profundo para optimización de políticas en tiempo real. Este enfoque busca superar las limitaciones del diseño modular en escenarios de mundo abierto, promoviendo la conducción inteligente encarnada. El marco mostró una mejora del 19% en el rendimiento en un estudio de caso de planificación de cambio de carril mediante simulaciones.
Referencia exhaustiva de modelos computacionales para la afinidad de unión anticuerpo-antígeno
Se presenta AbBiBench, un marco para evaluar modelos computacionales en el diseño de anticuerpos, midiendo la afinidad de unión entre anticuerpos y antígenos. Los análisis indican que el plegamiento inverso condicionado por estructura global ofrece las clasificaciones de afinidad más consistentes. El sistema permite evaluar métodos de diseño de anticuerpos conscientes de la función.
Dinámicas de alineación en el ajuste fino de LLM
Se presenta un marco unificado para las dinámicas de alineación en Modelos de Lenguaje Grande (LLM) durante el ajuste fino. El análisis descompone las actualizaciones en una Fuerza de Rebote y una Fuerza Impulsora, explicando cómo la alineación previa puede ser revertida por ajustes posteriores. El estudio también predice un Efecto de Priming de Ensayo que amplifica la Fuerza Impulsora al reapertura, llevando a una reapertura más rápida.
CleanVideo: Borrado de Conceptos Adaptativo para Modelos de Difusión de Texto a Video
Se presenta CleanVideo, un marco de borrado selectivo diseñado para eliminar semánticas visuales no deseadas de modelos de difusión de texto a video. Este método utiliza un mecanismo de compuerta trimodal para controlar la intervención en subespacios de baja dimensión, procesando características visuales, señales de tiempo y semántica textual. Los experimentos demuestran que CleanVideo elimina los conceptos objetivo manteniendo la fidelidad visual y la coherencia temporal, superando a los métodos existentes.
TAPES: Preentrenamiento Predictivo Conjunto Alineado a Tareas para Secuencias de Eventos de Transacción
Se presenta TAPES, un marco de preentrenamiento predictivo conjunto alineado a tareas para secuencias de transacciones. Este modelo construye conjuntos de objetivos candidatos y selecciona el conjunto óptimo basado en la utilidad downstream de las representaciones aprendidas. Los experimentos demuestran que TAPES supera a las líneas de base en un entorno real de riesgo de transacción y en benchmarks financieros públicos.
SAGE: Mitigando sesgos de razonamiento a largo plazo mediante guía topológica
Se presenta SAGE, un marco unificado diseñado para mitigar los sesgos de exploración y compuestos en el razonamiento a largo plazo de los modelos de lenguaje grandes (LLMs). SAGE utiliza la esparcimiento algebraico y la guía estructural hiperbólica para proporcionar una guía estructural que reduce la inestabilidad y la acumulación de errores en tareas complejas. El método demuestra mejoras significativas en varios benchmarks, incluyendo una mejora de hasta 8 veces en el problema de Andrews-Curtis.
FatigueFormer: Modelo basado en fisiología para evaluar la fatiga muscular del miembro superior
Se presenta FatigueFormer, un modelo basado en fisiología para reconocer estados de fatiga muscular utilizando señales de electromiografía de superficie (sEMG). El modelo organiza los descriptores en flujos de tendencia para mejorar el reconocimiento de estados de fatiga definidos por RPE. Se evaluó su efectividad con datos de sEMG y métodos de aprendizaje automático, mostrando resultados positivos en la discriminación de la fatiga.
DiagramBank: Extrae de lo grande, extrae lo mejor
Se presenta DiagramBank, un recurso de referencia de diagrama-texto que contiene 57,100 diagramas científicos extraídos de 26,751 artículos de IA/ML. Este recurso busca reducir el esfuerzo en la creación de diagramas científicos mediante la generación automática, utilizando filtrado y auditoría humana. Los experimentos demuestran que DiagramBank mejora significativamente la puntuación en PaperBananaBench y supera referencias aleatorias en evaluaciones de figuras científicas.
Cuando el consumidor es un agente: Acuerdos de nivel de servicio basados en la ejecución
Se introduce un concepto de contratos de finalización basados en la ejecución para agentes de modelos de lenguaje grande (LLM) que actúan como consumidores de servicios. Esto permite que un plano de control independiente observe el estado del servicio para determinar la finalización de tareas, en lugar de depender de la autoevaluación del agente. Los resultados demuestran que la finalización de estas tareas puede regirse por la observación independiente del estado del servicio.
Modelos de difusión para la generación de trayectoria de mirada utilizando representaciones de posición y velocidad
Se investiga la generación de trayectorias de mirada incondicional mediante modelos de difusión utilizando representaciones de posición y velocidad. Los modelos fueron evaluados en trayectorias de búsqueda visual, comparando diferentes métricas como la geometría de la trayectoria y las estadísticas de eventos. Los resultados ofrecen referencias cuantitativas para la generación de mirada en esta tarea.
Escaneo cerebral financiero de un LLM
Se utiliza la técnica de autoencoders esparsos (SAEs) para realizar un "escaneo cerebral" en modelos de lenguaje grandes. Esto permite mapear activaciones internas a conceptos interpretables y dirigir características específicas. Los resultados indican una desconexión entre las explicaciones internas del modelo y su razonamiento, aunque los SAEs ofrecen una forma más controlada de ajustar sesgos económicos.
Fusión de MLLMs biológicos mediante señales del espacio de incrustación
Se propone el método ES-Merging para la fusión de Modelos de Lenguaje Grandes Multimodales Biológicos (MLLMs), utilizando señales del espacio de incrustación en lugar de señales de parámetros. Este marco estima coeficientes de fusión a partir de señales de grano grueso y fino para mejorar el razonamiento transmodal y la preservación del conocimiento de modalidad única. Los experimentos demuestran que ES-Merging supera a métodos previos en estas capacidades.
De opiniones a compromisos: Asignaciones inestables y elecciones silenciosas en propuestas mediadas por IA
Los modelos de lenguaje grandes (LLM) se están utilizando para transformar opiniones ciudadanas en propuestas colectivas, incluyendo asignaciones sobre quién actuar y cuánto gastar. Se encontró que la publicación de una única propuesta puede ocultar alternativas existentes al variar el orden de las opiniones procesadas. La investigación examinó cómo las asignaciones cambian al variar la secuencia de opiniones, aunque la variación se mantuvo bajo ciertas salvaguardas.
Desentrañando referencias de imagen dual en modelos de difusión conscientes de la frecuencia para generación personalizada
Se propone el Dual-FDM para desentrañar referencias de imagen duales (personalización y estilo de color) en Modelos de Difusión Conscientes de la Frecuencia. Esto busca abordar la desalineación entre el texto y las referencias de imagen durante la generación de imágenes personalizadas. El método utiliza una estrategia de máscara en el dominio de la frecuencia para separar las bandas de frecuencia y modular adaptativamente los pasos de tiempo de eliminación del ruido. Los experimentos demuestran la superioridad de Dual-FDM sobre modelos de difusión existentes.
Contabilización de la inferencia de Inteligencia Artificial comprada en los inventarios de gases de efecto invernadero corporativos: un método basado en tokens
El artículo propone un método basado en tokens para contabilizar la inferencia de inteligencia artificial comprada en los inventarios de gases de efecto invernadero corporativos. Se establece un marco para medir el impacto de la IA, considerando factores como el hardware, la construcción de centros de datos y el tiempo de entrenamiento. Se presentan estimaciones de huella de carbono para diferentes clases de modelos de IA, indicando rangos de impacto basados en la eficiencia y el tipo de modelo.
Evaluación de trayectoria mediante un modelo mundial sin despliegue para conducción autónoma
Se propone RFWorld, un modelo mundial sin rollout para la evaluación de trayectoria de conducción autónoma. Este modelo construye una memoria de escena compartida y utiliza una lectura espacial dispersa para la puntuación, reduciendo el cómputo. Los experimentos demuestran que RFWorld logra un rendimiento de vanguardia en comparación con métodos anteriores.