Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
176 píxeles de lado, un ordenador del tamaño de una habitación y un bebé de tres meses: así nació en 1957 la primera imagen digital de la historia
La noticia narra el nacimiento de la primera imagen digital escaneada en 1957, realizada por el ingeniero Russell Kirsch en un ordenador. Se detalla el proceso técnico, incluyendo el uso de válvulas y la capacidad de memoria del ordenador SEAC. Se menciona el desarrollo posterior de la tecnología de píxeles y las primeras aplicaciones en reconocimiento de huellas y análisis de células.
Desarmó su computadora para limpiarla después de varios años y quedó impactado con lo que encontró - LA NACION
Un usuario compartió en redes sociales las imágenes del estado interno de su computadora gamer después de seis años de uso intensivo sin mantenimiento. La acumulación de polvo y suciedad fue tan densa que generó preocupación, aunque el equipo continuó funcionando. Expertos advierten que esta negligencia puede causar fallos severos en componentes críticos como el procesador y la tarjeta gráfica, enfatizando la necesidad de una limpieza y mantenimiento regulares para prolongar la vida útil del hardware.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Computer Bild»
Más recientes primero · Hasta 30 noticias por página
Protocolo Build-and-Find para evaluar bases de código gestionadas por agentes
Se presenta el protocolo Build-and-Find para evaluar si los agentes posteriores pueden recuperar eficientemente las elecciones intencionadas de bases de código generadas por agentes. El protocolo evalúa la precisión de la recuperación, la repetibilidad y el esfuerzo de inspección para determinar la legibilidad de los artefactos de código. Se encontraron diferencias en el esfuerzo de inspección entre artefactos generados por diferentes modelos frontera.
Dimensión Intrínseca Local Revela Alucinaciones en Modelos de Difusión
Se investiga el fallo de los modelos de difusión al generar alucinaciones estructurales, como manos con dedos extraños. Se propone una perspectiva que trata estas alucinaciones como inestabilidades en el manfold del modelo. Se introduce el Quenching Intrínseco (IQ), un mecanismo correctivo que mejora el rendimiento y ofrece una solución para asegurar la coherencia anatómica en tareas de imagen médica.
Anatomía de la adulación de LLM: lo que oculta una tasa de volteo
Se presenta un protocolo llamado SycoLens para medir las tasas de volteo en modelos de lenguaje grandes (LLM) mediante repeticiones controladas. El estudio analiza cómo factores como la redacción y la verdad fundamental influyen en el comportamiento de los modelos al corregirse o capitular. Los resultados buscan comparar diferentes comportamientos de los modelos a través de un perfil de reporte.
Trayectorias de entrenamiento en el aprendizaje de representación por difusión
Se analiza cómo las dinámicas de entrenamiento afectan la calidad de reconstrucción y el desentrañamiento en modelos de autoencoders de difusión. Se identifican dos patrones de trayectoria de aprendizaje, denominados regímenes, que difieren en la evolución de la fidelidad de la imagen y el desentrañamiento. Se propone un método llamado SteeringDRL para dirigir a los modelos hacia un mejor desentrañamiento mediante la modulación de rutas y la exposición al ruido.
Midiendo forma y función en modelos de lenguaje
Se introducen métricas cuantitativas para evaluar modelos de lenguaje mediante la adquisición de lenguaje infantil. Se propone el método CAC para comparar modelos contra niños y contra referencias estadísticas empíricas. Se concluye que algunos modelos muy grandes cumplen con los estándares formales y funcionales del lenguaje humano.
Mosaic: aprendizaje de grafos auto-destilado y agnóstico al montaje para detección de convulsiones en EEG
Se presenta MOSAIC, un marco de aprendizaje de grafos ligero para la detección de convulsiones en EEG independiente del sujeto. Este método utiliza un codificador de canal compartido y un módulo de atención para inferir una matriz de adyacencia intercanales sin depender de un montaje fijo. Los resultados demuestran que MOSAIC supera a los métodos actuales en la detección de convulsiones, aprendiendo conectividades estables que se generalizan a implantes no vistos.
Diferenciación automática rápida y general para métodos de estado finito
Se propone un nuevo método llamado "truco morfo" para integrar productos Jacobiano-vectoriales personalizados en software de diferenciación automática. Este enfoque ofrece implementaciones eficientes y agnósticas al semirring para el paso hacia atrás de algoritmos de programación dinámica. El algoritmo introducido calcula y diferencia la suma de pesos de trayectorias en autómatas finitos de estados, superando a los sistemas existentes en velocidad.
Modelos de lenguaje ajustados exhiben una mejor transmisión de información
Se propone la Entropía de Canopy ($\mathrm{CE}^\star$) para medir la incertidumbre en la generación de lenguaje, abordando la limitación de ignorar la longitud de la salida. Los resultados empíricos indican que los modelos ajustados finamente exhiben una correlación positiva más fuerte entre la tasa de entropía y la diversidad semántica, sugiriendo que el ajuste fino reorganiza la incertidumbre en generaciones más significativas.
Gráficos de control para sistemas multiagente
Se extiende la noción de gráficos de control basados en teoría de procesos adaptativos a sistemas multiagente para permitir su monitoreo automatizado. La simulación demuestra que estos gráficos son necesarios para sistemas que aprenden de su entorno. Se concluye que los monitores con líneas de base fijas detectan el aprendizaje legítimo, mientras que los monitores adaptativos permiten la existencia de adversarios lentos.
Optimización Bayesiana Robusta por Distribución Ensemble
Se presenta un nuevo algoritmo para la Optimización Bayesiana Robusta por Distribución Ensemble, diseñado para manejar el contexto continuo de manera computacionalmente viable. El estudio logra límites de arrepentimiento sublineales teóricos, mejorando los resultados actuales del estado del arte. El comportamiento empírico del método coincide con sus garantías teóricas.
Control basado en ontología de agentes conversacionales con caso de uso para práctica de entrevistas de trabajo
Se propone un enfoque basado en ontología para diseñar estrategias conversacionales que controlan los Modelos de Lenguaje Grande (LLM) para seguir características textuales específicas. El estudio demuestra cómo este método puede usarse para controlar los LLM en el contexto de la práctica de entrevistas de trabajo. El entrenamiento del LLM con conceptos formalmente definidos mejora la alineación con las características de conversación requeridas.
Modelos de difusión aprendidos bajo la hipótesis del manfoldo: colapso y refinamiento
Se analiza un procedimiento de colapso y refinamiento de dos etapas para modelos de difusión, centrado en la estructura de la variedad de baja dimensión. Se demuestra que el entrenamiento de campo medio anillado recupera el denoiser de la población y se desarrollan el marco SiLD para mejorar la generación de datos. Los experimentos muestran una calidad de generación competitiva frente a las líneas de base basadas en difusión latente.
Exponiendo la ilusión de borrado en la edición de conocimiento para LLM
Se examina la Edición de Conocimiento (KE) en LLM, descubriendo que el conocimiento editado no se borra completamente sino que persiste. El análisis revela que los métodos de actualización redistribuyen el conocimiento en el espacio del modelo y son vulnerables a ataques adversarios. Esto sugiere que los algoritmos de KE son inherentemente eludibles, lo que requiere una reevaluación de su implementación.
Predicción y mitigación de la susceptibilidad a jailbreaks mediante la geometría de comportamiento de modelos
Se evalúa y mitiga la susceptibilidad de sistemas generativos a ataques de jailbreak para asegurar su despliegue. Se formaliza la geometría de comportamiento de modelos para permitir una predicción eficiente de susceptibilidad y transferencia de defensas. Los métodos basados en esta geometría demuestran una detección de susceptibilidad con alta precisión y eficiencia en la evaluación.
Extracción de características basadas en wavelet continua para la clasificación de espectroscopia de desintegración inducida por láser de muestras de plasma humano
Un estudio evaluó la extracción de características espectrales mediante transformada wavelet continua (CWT) para clasificar muestras de plasma humano como positivas o negativas para SARS-CoV-2. Se analizaron 181 especímenes de plasma, obteniendo una precisión del 93.00%, sensibilidad del 94.67% y especificidad del 91.61%. Las características identificadas incluyeron líneas de emisión de Ca II, K I y N I.
Descomponiendo el sesgo de sí/no en el juicio moral de los LLM
Investigaciones sobre modelos de lenguaje grandes (LLM) revelan sesgos en su juicio moral binario, como la coherencia entre la postura, la palabra y el veredicto. Se encontró que los sesgos son generalizados pero no uniformes, con algunos modelos mostrando una menor adhesión al veredicto. El estudio utiliza una batería psicométrica para separar estos efectos y medir la postura de los modelos sin formato binario.
PACZero: Ajuste fino privado de lenguaje mediante cuantización de signo
Se presenta PACZero, un mecanismo de ajuste fino diferencialmente privado (DP) de orden cero (ZO) para modelos de lenguaje grandes (LLMs). Este método busca equilibrar la utilidad y la privacidad al limitar la información mutua entre la entrada secreta y la salida. Se evalúan diferentes canales para garantizar la resistencia a ataques de inferencia de membresía (MIA) en el ajuste fino de LLMs.
Gráficos de comportamiento: Estructuras de grafos no supervisados para interpretar datos de despliegue de robots
Se proponen los gráficos de comportamiento para simplificar el análisis de datos de despliegue de robots, comprimiendo las implementaciones de políticas en un grafo dirigido e interpretable. Estos gráficos ayudan a identificar modos de comportamiento similares y predicen el progreso de manera más precisa en comparación con las líneas base. Esto facilita la interpretación y el razonamiento sobre grandes volúmenes de datos de implementación de robots.
Equilibrio Minimax-Regret Probabilísticamente Robusto para Juegos de Equipo Adversarios bajo Información Asimétrica
Se presenta el Equilibrio Minimax-Regret Probabilísticamente Robusto (PR-MRE) para juegos de equipo adversarios con información asimétrica. Este concepto combina la robustez libre de distribución con información probabilística para mejorar el rendimiento de las estrategias frente a cambios en la distribución de tipos. Los experimentos demuestran que PR-MRE genera estrategias más robustas en comparación con el equilibrio de Nash bayesiano.
Evaluación del impacto de la Generación Aumentada por Recuperación en la resolución de problemas algorítmicos
Se presenta un enfoque de Generación Aumentada por Recuperación para mejorar la capacidad de los Modelos de Lenguaje Grande en la resolución de problemas de programación competitiva. El método integra recuperación basada en incrustaciones y búsqueda de similitud para identificar problemas análogos. Los resultados demuestran que la recuperación basada en similitud mejora sustancialmente el rendimiento de los LLMs en estos escenarios.
MetaEncoder: Explorando el límite de los bi-encoders para la toma de decisiones multimodales con interfaz de lenguaje natural
Se presenta MetaEncoder, un codificador multimodal afinado para la toma de decisiones con interfaz de lenguaje natural. El estudio compara tres arquitecturas de puntuación (bi-encoders, cross-encoders y decodificadores restringidos) y demuestra que los bi-encoders ofrecen una ventaja de eficiencia al mantener una latencia de inferencia constante. MetaEncoder supera a los modelos de incrustación multimodales de vanguardia en tareas de decisión y recuperación de conjuntos abiertos.
Modelo de acción mundial basado en MPC con difusión
Se presenta LeWAM, un transformador bidireccional para predicción de políticas y dinámica, entrenado en un latente JEPA. Este modelo ofrece mejoras en alineación, actuación y planificación al manejar mejor la información latente y explotar las imprecisiones del modelo de dinámica en el proceso de planificación.
Procesos Neuronales Transformadores Espectrales
Se propone el Procesos Neuronales Transformadores Espectrales (STNPs), una extensión de los Procesos Neuronales Transformadores (TNPs) que incorpora un Agregador Espectral. Este enfoque busca mejorar el modelado de la periodicidad y la cuasi-periodicidad en series temporales e imágenes al inyectar un sesgo de mezcla espectral. Los experimentos demuestran que STNPs mejoran el rendimiento predictivo sobre métodos existentes.
Valor Shapley generalizado y consciente de la prioridad
Se presenta el valor de Shapley generalizado y consciente de la prioridad (GPASV) para la valoración en aprendizaje automático, abordando las limitaciones de los métodos existentes con restricciones de prioridad par a par. El estudio introduce GPASV para manejar grafos de prioridad ponderados dirigidos arbitrarios. Se demuestra que la valoración consciente de la prioridad varía significativamente según el equilibrio entre la prioridad de la gráfica y la prioridad individual.
Patrones de arquitectura del servidor MCP para aplicaciones integradas con LLM
Se presenta el Protocolo de Contexto del Modelo (MCP), definido por Anthropic en noviembre de 2024, que estandariza la conexión de modelos de lenguaje grandes (LLM) con herramientas y servicios externos. El artículo cataloga cinco patrones de arquitectura de servidores MCP observados en un corpus de servidores desarrollados. También se documentan anti-patrones y se realizan evaluaciones cuantitativas sobre la fiabilidad de la taxonomía y la sobrecarga de transporte.
¿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.
FoleyForge: Edición de efectos de sonido libre, controlable y de flujo rectificado
Se presenta FoleyForge, un modelo generativo para la edición de efectos de sonido basado en instrucciones. Este modelo aplica ediciones preservando la identidad del clip de entrada, manejando cambios semánticos y estilísticos. El sistema utiliza un pipeline de datos para guiar un modelo de lenguaje de audio, mejorando la edición acústica y semántica.
PreForceVision: Estimación óptica guiada por física de la precarga de pernos a partir de la deformación de la cabeza del perno
Se propone PreForceVision, un marco óptico guiado por física para estimar la precarga de pernos mediante la deformación superficial de la cabeza del perno. El método aborda la estimación como un problema inverso de deformación a fuerza, utilizando pares de imágenes y extracción de deformación para determinar el estado de precarga interno. Los resultados preliminares indican una correlación entre la deformación medida y la precarga, validando una metodología óptica para la estimación de precarga.
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.
Puertas rotas: Reevaluando las defensas contra bots web en la era de los agentes LLM
La aparición de la automatización web mediante rastreadores y agentes basados en LLM presenta nuevos desafíos para las defensas contra bots. Las defensas modernas están migrando de desafíos explícitos a decisiones basadas en el riesgo sobre señales de navegador e identidad. Se encontró que los servicios de resolución superan las defensas basadas en desafíos, mientras que los agentes de navegador son sensibles al estado del navegador y la cuenta. Esto revela una tensión de seguridad entre eliminar la fricción y asegurar que las señales de confianza sean accesibles para usuarios humanos.