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 «Marco Labruna»
Más recientes primero · Hasta 30 noticias por página
GeneZip: Compresión consciente de la región para modelado de ADN de largo contexto
Se presenta GeneZip, un marco de compresión de ADN consciente de la región diseñado para reducir la longitud de secuencias de ADN de largo contexto. Este modelo combina objetivos de ratio consciente de la región con enrutamiento limitado para lograr una compresión eficiente mientras preserva la utilidad predictiva. GeneZip demuestra una compresión significativa y un mayor rendimiento en el modelado de largo contexto.
Complejidad de punto de equilibrio: Una nueva perspectiva sobre solucionadores de ecuaciones diferenciales parciales neuronales
Se propone un marco de evaluación centrado en la complejidad de punto de equilibrio para solucionadores de ecuaciones diferenciales parciales neuronales. Este marco busca considerar los costos totales, incluyendo la generación de datos y el entrenamiento, para determinar cuándo un solucionador neuronal es más eficiente que uno tradicional. Los resultados sugieren que los solucionadores de PDE neural son más efectivos cuando los problemas son más complejos en términos de costo y dimensión.
Taxonomía y marco de evaluación unificado para los desplazamientos distributivos en el aprendizaje por refuerzo
Se presenta una taxonomía unificada para el desplazamiento distributivo en el aprendizaje por refuerzo (RL), abordando la inconsistencia existente en la literatura. La taxonomía factoriza la interacción en cinco componentes y define el cambio según qué componentes y bajo qué régimen de interacción ocurre. Se complementa con un marco de evaluación que mide la adaptación y la generalización.
Puzles a paradigmas: Un estudio de la colaboración humano-agente en la innovación científica
Se presenta un estudio que analiza la colaboración entre humanos y sistemas de IA agenticos en flujos de trabajo científicos como la síntesis de literatura y la generación de hipótesis. El estudio propone un marco para examinar cómo varían las demandas de coordinación y los riesgos de fallo en diferentes contextos científicos. Se identifican cinco modos de fallo recurrentes y se sugiere enfocar las evaluaciones hacia la fundamentación y la fiabilidad científica a largo plazo.
Predicción Conformal para Regresión de Distribución a Distribución
Se estudia la Predicción Conformal (CP) para la Regresión de Distribución a Distribución, un área de creciente interés. Se propone un nuevo marco conformal que genera conjuntos de predicción interpretables manteniendo las garantías de cobertura. Los resultados empíricos validan la efectividad del enfoque propuesto en datos sintéticos y reales.
HiLo-Token: Compresión de tokens de alta y baja frecuencia adaptativa de entrada para servir modelos de edición de imágenes eficientes
Se presenta HiLo-Token, un marco de compresión de tokens adaptativo para reducir la latencia en modelos de IA generativa para edición de imágenes. El método asigna tokens de manera diferente a regiones de alta y baja frecuencia para mejorar la eficiencia. Los experimentos validan que este método logra aumentos significativos en la velocidad sin afectar la calidad de la generación.
Aprendiendo a hacer cubos
Se presenta un marco de post-entrenamiento neuro-simbólico para que los modelos basados en transformadores aprendan heurísticas efectivas para problemas de Satisfacibilidad Booleana (SAT). El método utiliza una pipeline de curación de datos basada en MCTS y optimización de preferencia directa (DPO) para lograr una puntuación pass@5 de 53 en benchmarks de competencia SAT. Esto demuestra que los transformadores pueden tomar decisiones de cubing efectivas en dominios dominados por métodos simbólicos.
Aprendizaje de trayectorias inspirado en cuántica consciente de la tasa para redes multi-UAV con interferencia limitada
Se presenta un marco de dos etapas llamado RA-QAGC para optimizar la colocación de vehículos aéreos no tripulados (UAVs) en redes, buscando mejorar el rendimiento de *throughput* por nivel de prioridad. El método optimiza el conjunto de posiciones candidatas y luego aprende trayectorias descentralizadas para mejorar la eficiencia de la red. Este enfoque logra mejoras significativas en el rendimiento comparado con otros esquemas conocidos.
Cuantización de Precisión Amortizada para Vision Transformers con Salida Temprana
Se presenta la Cuantización de Precisión Amortizada (APQ) y el marco MOQEE para Vision Transformers, buscando mejorar la estabilidad de la inferencia mediante la optimización conjunta de umbrales de salida y anchos de bits. Este enfoque establece una frontera de Pareto superior en el equilibrio entre precisión y eficiencia para tareas de clasificación y detección. Los modelos probados muestran mejoras significativas en el rendimiento de la GPU en diferentes benchmarks.
El razonamiento latente no carece de señal, carece de invariancia
Se presenta el marco TILR para el refinamiento latente, diseñado para mejorar la robustez del razonamiento al controlar las correcciones dentro de un subespacio estable. Este método sin entrenamiento filtra variaciones inestables al proyectar actualizaciones contrastivas sobre un subespacio concentrado. Los resultados demuestran que TILR aumenta la robustez a perturbaciones de entrada y mejora la precisión en benchmarks de razonamiento.
Recuperación interactiva de personas con retroalimentación visual en tiempo real
Se presenta VFI-PR, un nuevo paradigma de recuperación interactiva de personas que utiliza retroalimentación visual de los candidatos recuperados como evidencia para la siguiente ronda de preguntas. El marco VFI-ReID adapta la recuperación y la generación de preguntas para incorporar esta retroalimentación visual, mejorando consistentemente la recuperación en comparación con métodos previos. Los experimentos demuestran la utilidad de la retroalimentación visual para refinar la recuperación interactiva de personas.
TraceML: Lo que los agentes de investigación automática omiten en el desarrollo de ML a largo plazo
Se presenta TraceML, un marco que compara el trabajo humano y del agente en competiciones de aprendizaje automático. El sistema rastrea cada versión de código con su puntuación y detalles para cuantificar la brecha entre el rendimiento de los agentes y el de los competidores humanos. Se libera un kit de herramientas para convertir ejecuciones de agentes en trayectorias TraceML para su análisis.
AdaPath: Búsqueda de caminos adaptada a consultas mediante Path-Bank para QA biomédico implícito
Se presenta AdaPath, un marco de búsqueda de caminos diseñado para resolver desafíos en el QA biomédico, como la exposición de razonamiento intermedio y la densidad de los grafos de conocimiento. Este método recupera meta-rutas adaptadas a consultas de Path-Bank para mejorar el razonamiento de los LLM. Además, se lanza BioStrat-QA, un benchmark que estratifica las consultas de múltiples saltos. AdaPath supera consistentemente a los métodos de referencia en estos benchmarks.
Honeyval: Un marco de evaluación exhaustivo para honeypots HTTP impulsados por LLM
Se propone Honeyval, un marco de evaluación exhaustivo para honeypots HTTP impulsados por LLM, abordando las limitaciones de evaluaciones previas. El marco utiliza 16 aplicaciones de backend y agentes de hacking de IA para evaluar las capacidades de estos honeypots. Los experimentos demuestran que los honeypots impulsados por LLM ofrecen interacciones más largas con el atacante y son menos detectados, manteniendo una ventaja de costo.
SaliMory: Orquestando la memoria cognitiva para agentes conversacionales
Se presenta SaliMory, un marco diseñado para gestionar y utilizar una memoria cognitiva estructurada para agentes conversacionales. Este marco aborda problemas de degradación del razonamiento al expandir ventanas de contexto y cuellos de botella en el aprendizaje por refuerzo. Los resultados muestran que SaliMory logra una alta tasa de personalización y una precisión de QA superior, produciendo memorias más factuales.
Alineando modelos de lenguaje con predicción selectiva
Se propone mejorar la fiabilidad de los Modelos de Lenguaje Grandes (LLM) mediante la predicción selectiva (SP), una estrategia que equilibra el compromiso entre riesgo y cobertura para reducir la tasa de error. Se introduce un marco de alineación llamado RLSR, que utiliza el área bajo la curva riesgo-cobertura (AURC) como objetivo para lograr un mejor equilibrio entre riesgo y cobertura en tareas de IA.
AssemState: Razonamiento guiado por manual y estado físico para el ensamblaje de muebles sin entrenamiento
Se presenta AssemState, un marco sin entrenamiento diseñado para el ensamblaje de muebles guiado por manual y estado físico. Este sistema utiliza descomposición de páginas manuales y refinamiento iterativo para mejorar la recuperación del árbol de ensamblaje. Los experimentos demuestran mejoras significativas en métricas clave, como el F1 y la coincidencia exacta del árbol, aunque se identifican errores residuales en las poses candidatas.
dNaViT: Representaciones visuales de propósito general con códigos discretos
Se presenta dNaViT, un Vision Transformer de resolución nativa discreta que genera primitivas visuales discretas similares a los tokens del lenguaje. Este modelo unifica la metodología visual y del lenguaje mediante un marco común. Las evaluaciones demuestran que dNaViT iguala o supera las líneas base en diversos benchmarks de comprensión visual y generación de imágenes.
Seguridad de agentes LLM: Restringiendo riesgos extremos a través de flujos de trabajo de agentes de múltiples pasos
Se propone un marco de seguridad llamado TAS para agentes LLM que modela la seguridad del flujo de trabajo como una secuencia de estados dependientes para controlar los riesgos extremos. Este marco modela las transiciones de estado de seguridad secuencialmente para rastrear la propagación del riesgo y restringe estos riesgos con un presupuesto compartido. Los experimentos demuestran que TAS ofrece un mejor rendimiento que otros métodos al suprimir fallos de alto costo raros.
Estudio empírico sobre el servicio eficiente de LLMs: Marcos, optimizaciones y adopción en el mundo real
Se investiga la adopción práctica de marcos y métodos de servicio para Modelos de Lenguaje Grande (LLM) en sistemas de software de código abierto. El estudio analiza cinco marcos específicos (vLLM, SGLang, TensorRT-LLM, LMDeploy, FlashInfer) y determina que vLLM es el más popular. Se concluye que los desarrolladores tienden a usar un único marco, aunque los marcos combinados ofrecen capacidades complementarias.
Arquitectura de Mezcla de Expertos Activada por Anatomía para Visión-Lenguaje Médico 3D
Se presenta el A^2MoE, un marco para el pre-entrenamiento de visión-lenguaje médico 3D que incorpora sesgos inductivos anatómicos. Este modelo introduce un Router de Representación de Histograma y un Proyector Multi-Escala de Consulta de Órganos para mejorar la alineación de características a nivel de órgano. El modelo ha demostrado un rendimiento de vanguardia en benchmarks de segmentación, clasificación y detección con datos de CT, y muestra generalización a MRI y ultrasonido.
PACE-ECG: Preentrenamiento de ECG consciente del paciente; Aprovechando la estructura longitudinal para representaciones transferibles
Se desarrolló PACE-ECG, un marco de preentrenamiento de ECG que utiliza aprendizaje contrastivo y supervisión guiada clínicamente para mejorar la capacidad de transferencia de modelos de ECG a pronósticos clínicos longitudinales. Los resultados demuestran que el diseño del objetivo de preentrenamiento es crucial para la generalización clínica, superando a modelos existentes en tareas de mortalidad e insuficiencia cardíaca.
Restaurando la fidelidad en la superresolución con transformadores de difusión
Se propone un marco de superresolución con fundamentación de píxeles (PGSR) para mejorar la fidelidad en la superresolución de imágenes utilizando transformadores de difusión. Este método preserva la evidencia de píxeles observada en la imagen de baja resolución antes de la compresión del VAE para guiar la restauración. Los experimentos demuestran que PGSR produce resultados más fieles y visualmente convincentes que los métodos generativos latentes existentes.
Marco de espacio de características guiado por geometría para el análisis STEM 4D no supervisado e interpretable de materiales multiphase
Se presenta un marco de aprendizaje automático que utiliza descriptores geométricos informados por la física y incrustaciones de alta dimensión ponderadas para el análisis no supervisado e interpretable de datos 4D-STEM de materiales complejos. El método busca mejorar la estabilidad de los clústeres y reducir el ruido, demostrando una mayor fidelidad y menor dimensionalidad en comparación con otros modelos. El marco fue validado en sistemas de referencia de capas epitaxiales y aleaciones de Ti-Nb.
BSTabDiff: Priores de Difusión de Subunidades de Bloque para la Generación de Datos Tabulares de Alta Dimensionalidad
Se presenta BSTabDiff, un marco generativo que particiona características en bloques latentes para generar datos tabulares de alta dimensionalidad (HDLSS). El modelo busca concentrar el aprendizaje de dependencia global en un espacio latente compacto, mejorando la generación de datos sintéticos en comparación con métodos anteriores. El enfoque soporta priors modernos como difusión y flujos normalizadores para una síntesis estable.
CoRe-MARL: Redistribución Cooperativa bajo Dinámicas Desconocidas Usando Aprendizaje por Refuerzo Multi-Agente Recurrente
El estudio presenta CoRe-MARL, un marco de aprendizaje por refuerzo multi-agente (MARL) cooperativo diseñado para la redistribución de suministros en redes descentralizadas. El modelo busca mejorar el servicio en el peor caso y reducir la brecha de servicio entre centros locales, adaptándose a dinámicas de suministro y demanda inciertas. Se demuestra que el enfoque MAPPO reduce la brecha de servicio y mejora el servicio para el centro peor servido manteniendo un servicio competitivo a nivel de red.
CIDERS: Aprendizaje colaborativo de LLM Cloud-Edge mediante optimización bilevel acelerada
Se presenta un marco de optimización bilevel personalizado para la colaboración de modelos de lenguaje grandes (LLM) cloud-edge, abordando el desafío de equilibrar la personalización local con el consenso global. Se propone el solucionador CIDERS, que demuestra mejoras significativas en razonamiento matemático y generación de código en comparación con las soluciones existentes. El trabajo sugiere que CIDERS ofrece un camino viable hacia la personalización continua guiada por consenso en sistemas LLM cloud-edge.
Estrategia de selección de tokens para transformadores de geometría visual
Se aborda el desafío del alto costo computacional de los transformadores de geometría visual, que crece cuadráticamente con la longitud de la secuencia de entrada. Se propone un marco de dos etapas para restringir la interacción de tokens clave/valor en la atención global, mejorando la eficiencia y el rendimiento. Los experimentos demuestran una aceleración superior al 85% en escenas con 500 imágenes manteniendo o mejorando el rendimiento base.
Modelo de Valor Cosido para Alineación de Difusión
Se presenta el StitchVM, un marco de cosido de modelo que conecta un prefijo de esqueleto de difusión congelado con un sufijo de modelo de recompensa preentrenado para estimar la función de valor en latentes ruidosos. Este método busca superar las limitaciones de los enfoques tradicionales que dependen de imágenes limpias o simulaciones de Monte Carlo. El modelo demuestra mejoras en la eficiencia y calidad de procesos como el direccionamiento FK y DRaFT.
Enfoque basado en grafos para mapear telemetría a nivel de kernel a MITRE ATT&CK
Se presenta Trace2ATT&CK, un marco que mapea la telemetría a nivel de kernel a técnicas MITRE ATT&CK dentro de la infraestructura del defensor. Este método utiliza eBPF para recopilar eventos y reconstruir la actividad del atacante como un grafo de procedencia, que luego se clasifica mediante LLMs de código abierto. Los resultados demuestran que el mapeo es factible sin exponer evidencia sensible a servicios externos.