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.

Periodista: Jianan Zhao, Xixian Liu, Zhihao Zhan, Xinyu Yuan, Hongyu Guo, Jian Tang

Personas mencionadas

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.

Periodista: Yijing Zhang, Nicholas Roberts, Tanya Marwah, Mikhail Khodak

Personas mencionadas

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.

Periodista: Ardianto Wibowo, Paulo E Santos, Amer Baghdadi, Matthew Stephenson, Karl Sammut, Jean-Philippe Diguet

Personas mencionadas

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.

Periodista: Zhenni Liang, Haoxuan Zhang, Haihua Chen, Ting Xiao, Junhua Ding, Yang Zhang

Personas mencionadas

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.

Periodista: Trung-Khang Tran, Tuan A. Hoang, Viet-Hoang Tran, Tan M. Nguyen

Personas mencionadas

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.

Periodista: Haoran You, Yotam Nitzan, Lingzhi Zhang, Yifan Gong, Mang-Tik Chiu, Connelly Barnes, Yan Kang, Yuqian Zhou, Haitian Zheng, Eli Shechtman, Sohrab Amirghodsi

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.

Periodista: Ferhat Erata, Sam Kouteili, Thanos Typaldos, Timos Antonopoulos, Robert B. Jones, Byron Cook, Ruzica Piskac

Personas mencionadas

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.

Periodista: Khaoula Khaled, Muhammad Afaq, Zeeshan Kaleem

Personas mencionadas

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.

Periodista: Rui Fang, Hsi-Wen Chen, Ming-Syan Chen

Personas mencionadas

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.

Periodista: Arun Vignesh Malarkkan, Manan Roy Choudhury, Utkarsh Byahut, Yash Ravindra Charde, Vivek Gupta, Xiquan Cui, Xiangliang Zhang, Yanjie Fu

Personas mencionadas

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.

Periodista: Lyucheng Qian, John Yuehan Zhang, Pingyu Wang

Personas mencionadas

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.

Periodista: Jiarui Yan, Weiwei Sun, Sijie Li, Wenhan Li, Yiming Yang

Personas mencionadas

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.

Periodista: Jun Hyeong Kim, Dongki Kim, Yinhua Piao, Sung Ju Hwang

Personas mencionadas

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.

Periodista: Mark Vero, Fabian Kaczmarczyck, Ivan Petrov, Ilia Shumailov, Jamie Hayes, Niels Heinen, Tianqi Fan, Luca Invernizzi, Martin Vechev

Personas mencionadas

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.

Periodista: Kai Zhang, Xinyuan Zhang, Hongda Jiang, Shiun-Zu Kuo, Hyokun Yun, Ejaz Ahmed, Shereen Oraby, Ziyun Li, Sanat Sharma, Ann Lee, Ahmed A Aly, Anuj Kumar, Raffay Hamid, Xin Luna Dong

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.

Periodista: Gaoxiang Luo, Yifan Wu, Sinian Zhang, Aryan Deshwal, Ju Sun

Personas mencionadas

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.

Periodista: Zhiyuan Qi, Jierui Li, Yifan Shen, Cheng Qian, Jiateng Liu

Personas mencionadas

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.

Periodista: Xiaotong Li, Zhengrong Yue, Xu Huang, Jialv Zou, Minhao Jing, Wenhao Yan, Haodong Li, Hai Huang, Bo Zhao, Yan Feng, Peng Pei, Xunliang Cai

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.

Periodista: Shilong Pan, Zhiliang Tian, Zihan Chen, Wentao Zou, Weiguo Chen, DongSheng Li

Personas mencionadas

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.

Periodista: Forough Majidi, Mohammad Mehdi Morovati, Foutse Khomh, Heng Li

Personas mencionadas

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.

Periodista: Szymon Płotka, Gizem Mert, Pedro R. A. S. Bassi, Wenxuan Li, Zongwei Zhou, Anna Marcinkiewicz, Wiktoria Romańczyk, Jarosław B. Ćwikła, Łukasz Struski, Ewa Szczurek, Jacek Tabor, Arkadiusz Sitek

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.

Periodista: Riccardo Cavarra, Lupo Lovatelli, Shaheim Ogbomo-Harmitt, Jakub Grzelak, Adelaide De Vecchi, Andrew King, Oleg Aslanidi

Personas mencionadas

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.

Periodista: Yu Shi, Yuyao Zhang, Yu-Wing Tai

Personas mencionadas

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.

Periodista: Arda Genc, Daniel A. Bolden, Albert Nguyen, Daniel S. Gianola, Ravit Silverstein

Personas mencionadas

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.

Periodista: Al Zadid Sultan Bin Habib, Md Younus Ahamed, Prashnna Gyawali, Gianfranco Doretto, Donald A. Adjeroh

Personas mencionadas

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.

Periodista: Naimur Rahman Chowdhury, Shatabdi Sen Prapti, Md. Salehin Seyam, Limon Bin Hossain

Personas mencionadas

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.

Periodista: Victor H. Chen, Hairui Yu, Stella K. Chung, Hong Yan

Personas mencionadas

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.

Periodista: Shuhong Zheng

Personas mencionadas

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.

Periodista: Hyojun Go, Hyungjin Chung, Prune Truong, Goutam Bhat, Li Mi, Zhaochong An, Zixiang Zhao, Dominik Narnhofer, Serge Belongie, Federico Tombari, Konrad Schindler

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.

Periodista: Matteo Lupinacci, Luigi Arena, Francesco Blefari, Angelo Furfaro

Personas mencionadas