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 AIPropuesta de Reconstrucción de Residuales Adaptativa para Cuantización de Bajo Bit
Se propone una estrategia de Reconstrucción de Residual Adaptativa (MARR) para mitigar el sesgo de la Aproximación de la Hessiana en la cuantización de bajo bit. Esta técnica busca equilibrar la corrección del error acumulado con el sesgo del residuo para cada módulo. Los experimentos en LLMs y ViTs demuestran mejoras significativas en la reducción de la perplexidad y la precisión.
No se identificaron personas.
Estudio de la optimización del orden del estado oculto en redes de codificación predictiva
Se investiga si el orden de la optimización del estado oculto puede mejorar el aprendizaje de características en redes de codificación predictiva mediante un horario de inferencia basado en el límite. Los resultados en CIFAR-10 indican que esta aproximación mejora la precisión en comparación con la codificación predictiva estándar. Estos hallazgos sugieren que la inferencia basada en fragmentos es un principio de diseño práctico para el entrenamiento de estos modelos.
Fragmentación Continua No Supervisada con Chunking Continuo de Sheaf SyncMap
Se propone una regularización de sheaf para reducir inconsistencias en el sistema Decentralized SyncMap, buscando estabilizar sus dinámicas de fragmentación continua no supervisada. El método introduce una estructura de sheaf radial que penaliza el movimiento entre variables. Los resultados demuestran que el método logra la mayor información mutua normalizada (NMI) en múltiples configuraciones de gráficos CGCP.
¿Hecho o rumor? Cómo el encuadre y la elicitación moldean las actualizaciones de probabilidad de LLM
El estudio mide las actualizaciones de probabilidad de Modelos de Lenguaje Grande (LLM) en pares premisa-hipótesis utilizando la familia Multi-Candidate Verbalization (MCV). Se analizan diferentes métodos de elicitación, incluyendo estimaciones directas y ponderadas, para evaluar cómo el encuadre afecta las actualizaciones de probabilidad. Los resultados indican que ciertas configuraciones de LLM muestran comportamientos específicos en relación con la precisión de las predicciones.
SplatLab: Descubrimiento Científico Autónomo para Investigación en 3DGS
Se presenta SplatLab, un sistema de investigación autónomo para Gaussian Splatting 3D diseñado para superar las limitaciones de los sistemas actuales. Este sistema reproduce trabajos publicados, propone extensiones, entrena modelos y genera manuscritos de forma autónoma. Los resultados indican que los manuscritos de SplatLab superan a los objetivos reproducidos en métricas clave de PSNR.
Consideración por el bienestar en sistemas multiagente
Se investiga la consideración por el bienestar entre modelos de lenguaje en sistemas multiagente, analizando si los modelos consideran a otros como entidades que pueden ser beneficiadas o perjudicadas. Se midieron cinco modelos y se encontró que exhiben esta consideración, siendo Claude Opus 4.8 el que más la muestra. Esto sugiere que la consideración por el bienestar puede fomentar la cooperación, aunque también presenta riesgos de seguridad si los agentes desalineados cooperan.
Ceguera polaridad en la seguridad de los LLM: Un estudio sistemático de negación, sustitución de antónimos y encuadre adversarial
Un estudio sistemático investigó la ceguera de polaridad en los modelos de lenguaje grandes (LLM), demostrando que la negación y la sustitución de antónimos pueden socavar las salvaguardas de seguridad. Se encontró que esta debilidad afecta a la mayoría de los modelos evaluados, con puntuaciones de daño significativas en el modelo más vulnerable. El hallazgo sugiere una limitación en la robustez semántica general de los modelos, más que un fallo específico del lenguaje.
Identificación del mejor brazo en Banditos Lineales Generalizados mediante Aprendizaje por Refuerzo Híbrido
Se estudia la identificación del mejor brazo con confianza fija en bandidos lineales generalizados utilizando un modelo de retroalimentación híbrido. Se introduce una secuencia de confianza basada en la razón de verosimilitud para unificar observaciones y se propone un algoritmo híbrido Track-and-Stop para la asignación adaptativa de consultas. Los experimentos demuestran una mejora significativa en la eficiencia de la muestra sobre métodos de referencia.
Operador Neuronal Físico para Acelerar el Trazado de Rayos Inalámbricos de Alta Fidelidad
Se presenta RayNO, un operador neuronal físico diseñado para acelerar el trazado de rayos inalámbricos de alta fidelidad. Este método reconstruye la salida de un trazador de rayos a partir de una simulación de baja fidelidad y premisas de escena. RayNO supera a otros modelos en métricas de calidad de imagen y despliegue inalámbrico, reduciendo el tiempo necesario para generar mapas de alta fidelidad de 28 segundos a 0.11 segundos.
Extracción de capacidad de modelos de lenguaje grandes multimodales para generación dirigida por el sujeto
Se presenta un enfoque para la generación de imágenes dirigida por el sujeto que utiliza Modelos de Lenguaje Grandes Multimodales (MLLMs) y modelos de difusión, mejorando la preservación de la identidad del sujeto mientras se sigue la instrucción textual. El método incluye un módulo de agregación dual y una estrategia de eliminación de ruido por etapas para optimizar la comprensión multimodal y la fidelidad de la identidad. Los experimentos muestran que este enfoque supera a otros en la preservación de la identidad y reduce los artefactos de copia y pegar.
Destilación On-Policy con Guía de Nivel de Currículo para Agentes Multi-turno
Se propone la Destilación On-Policy Guiada (Guided-OPD) para mejorar la transferencia de capacidades de modelos grandes a estudiantes más pequeños en agentes multi-turno. Este algoritmo mezcla interacciones del profesor y el estudiante y ajusta la intervención del profesor a lo largo de un currículo decreciente. Los resultados en pruebas indican ganancias significativas en puntuación y tasa de éxito comparadas con el método OPD estándar.
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.
PoseBench: Sondear la conciencia de pose en modelos fundacionales visuales
Se presenta PoseBench, un benchmark sistemático diseñado para evaluar la conciencia de pose en características visuales preentrenadas por modelos fundacionales. La evaluación utiliza vistas renderizadas y consultas de imagen real para medir la robustez de esta estructura de pose. Los resultados indican que la conciencia de pose es una propiedad implícita y no uniforme, y el refinamiento basado en grafos de pose mejora la compatibilidad con el manfoldo de pose subyacente.
Controlar la biología con el lenguaje: Aprendizaje offline de intervenciones condicionadas por prompts para células, organoides y biobots
Se investiga cómo el lenguaje natural puede usarse como interfaz para controlar la biología celular mediante estímulos eléctricos en biobots. Se analiza un archivo de experimentos para determinar qué comportamientos controlan los pulsos eléctricos y cómo un modelo de lenguaje puede predecir estas interacciones. El estudio valida una interfaz de lenguaje calibrada para controlar los comportamientos de los biobots.
Eliminación de correlaciones espurias en modelos vision-lenguaje grandes
Se presenta PURGE, un marco para construir, evaluar y mitigar fallos causados por correlaciones espurias en Modelos Vision-Lenguaje Grandes (LVLM). El marco utiliza estrategias de construcción de datos para particionar ejemplos por evidencia relevante y señales de fondo espurias. Los resultados demuestran que PURGE reduce los errores y alucinaciones mientras mantiene o mejora el rendimiento general en diversos modelos evaluados.
EvoST: Adaptando pronosticadores de tráfico a grafos de sensores en evolución
Se presenta EvoST, un marco diseñado para mantener pronosticadores de tráfico actualizando las identidades de los nodos mientras se conservan fijos los pesos compartidos. Este método reduce significativamente la diferencia entre los pronósticos y los modelos de referencia al refrescar las identidades y calibrar los modelos. EvoST logró una reducción del 17.7% al 2.5% en la brecha de MAE entre modelos de cinco años, mejorando la precisión de los pronósticos.
WARP-JEPA: Planificación de Despliegue Amortizado World-Model-in-the-Loop para Arquitecturas Predictivas de Incrustación Conjunta Jerárquica Congeladas
Se presenta WARP-JEPA, un marco de planificación jerárquica amortizada que reemplaza la optimización de gradiente en línea con propositores de trayectoria aprendidos, manteniendo los modelos del mundo congelados. Este enfoque logra una inferencia de episodio significativamente más rápida y mejora el éxito de la tarea en tareas de horizonte largo. Los resultados demuestran que la planificación amortizada puede mejorar la eficiencia y el rendimiento del control sin necesidad de reentrenar los modelos del mundo.
Marcado biométrico por ultrasonido contra *deepfakes* de video facial
Se propone un nuevo método de marcado de agua biométrico llamado UltraGuard para proteger videos faciales en tiempo real contra *deepfakes* generados por IA. Este método utiliza señales ultrasónicas del smartphone para capturar características biométricas y las incrusta dinámicamente en el video durante la transmisión. La validación experimental demuestra que el sistema es eficaz contra la falsificación y edición de videos.
El razonamiento no supervisado emerge de una cohorte diversa en RL multiagente
Se presenta Co-RL, un marco de Aprendizaje por Refuerzo (RL) que permite el razonamiento no supervisado mediante el entrenamiento cooperativo de múltiples agentes desacoplados. El trabajo demuestra que aumentar la diversidad de la cohorte mejora el rendimiento del razonamiento y mitiga el colapso del entrenamiento, mejorando los modelos base sin etiquetas de verdad fundamental.
Mejora recursiva de confianza con garantías estadísticas
Se presenta un marco llamado TRUST para la auto-mejora recursiva de IA, que utiliza pruebas estadísticas para controlar la evolución de actualizaciones. Este método busca equilibrar la fiabilidad estadística con la mejora del rendimiento en agentes de IA. Los resultados demuestran que TRUST reduce significativamente la proporción de actualizaciones inferiores aceptadas en comparación con métodos anteriores.
Agentes proponen, código verifica, humanos deciden: Ingestión verificada de tablas científicas heterogéneas en bases de datos relacionales
Se presenta un *pipeline* asistido por IA donde agentes de LLM proponen, código determinista verifica y humanos deciden la ingesta de conjuntos de datos científicos heterogéneos en bases de datos relacionales. El sistema incluye un verificador que prueba las propuestas contra la evidencia y un revisor humano que aprueba la estructura y la carga de los datos. Se logró cargar 45.1 millones de valores con cero brecha de reconciliación en cuatro conjuntos de datos biomédicos.
Cerrando el punto ciego del cono de activación: Sondeo del tiempo de respuesta y defensa unificada
El estudio compara cinco paradigmas de seguridad en el tiempo de inferencia frente a siete modelos de IA y cinco tipos de ataques. Se deriva un corolario sobre las defensas que restringen la intervención en la alineación de la activación con una referencia benigna. Se propone una técnica de sondeo del tiempo de respuesta para contrarrestar ataques de prellenado.
Señales neurales generan notas clínicas en el mundo real
Se presenta CELM, un modelo de base de lenguaje EEG-a-Lenguaje que resume grabaciones de EEG de larga duración y genera informes clínicos. El modelo integra modelos de EEG y lenguaje para un aprendizaje multimodal escalable. Los resultados experimentales demuestran que CELM supera a métodos existentes y es más coherente clínicamente según expertos.
¿Pueden los agentes de LLM organizar su propia memoria?
Se presenta un marco llamado memoria autoorganizada (SoMem) para agentes de LLM que almacena la memoria en documentos enlazados. Este sistema permite al agente decidir qué resumir y cómo organizar la información, manteniendo la evidencia vinculada a las interacciones originales. Los resultados demuestran que SoMem supera a la mejor línea base en varias métricas de rendimiento.
OASIS: Alineación de Espacio de Observación-Acción mediante Predicción de Trayectoria de $SE(3)$ para Manipulación Robótica
Se presenta OASIS, una política visuomotora diseñada para alinear la representación intermedia con el espacio de acción mediante la predicción de trayectoria del efector final $SE(3)$. Este modelo combina un codificador de características 3D con un predictor de trayectoria $SE(3)$ para generar fragmentos de acción consistentes con el movimiento de cuerpo rígido. Los experimentos demuestran que OASIS supera a los modelos VLA y WAM en términos de tasa de éxito y generalización.
Gobernanza adecuada en la era algorítmica: los fundamentos de la estrategia estatal digital
El artículo aborda la necesidad de establecer fundamentos conceptuales para gobernar el sustrato digital (datos, algoritmos, plataformas) debido a que la capacidad y legitimidad para hacerlo están desalineadas. Introduce la estrategia estatal digital como un concepto que redefine la cuestión de la gobernanza estatal en la era algorítmica. Propone diez principios basados en coherencia técnica y autoridad legítima para abordar los desafíos de la gobernanza digital.
Síntesis de estrategias de planificación basadas en la línea de tiempo que evitan la determinización
Se presenta un fragmento de planificación basada en la línea de tiempo cualitativa cuyo problema de existencia de planes se mapea al problema de no vaciedad de autómatas finitos deterministas. Esto permite sintetizar estrategias de planificación mediante un paso de determinización. También se identifica un subconjunto máximo de las relaciones de Allen que se ajusta a este fragmento determinista.