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 «Soledad Tassi Modelos»
Más recientes primero · Hasta 30 noticias por página
Predicción temprana de memecoins fraudulentos en Solana mediante aprendizaje automático
Un estudio utiliza aprendizaje automático para detectar fraudes de "rug pull" en memecoins de Solana. La investigación analiza un conjunto de datos de 6.4 millones de tokens para identificar características de rug pull en la plataforma. Se demuestra que modelos de aprendizaje automático como XGBoost son efectivos para predecir estos fraudes basándose en datos de negociación iniciales. El estudio sugiere que la fusión de datos de múltiples fuentes mejora la fiabilidad de la detección en este ecosistema.
PEARL: Modelado de optimización interactivo Solver-in-the-Loop a partir del lenguaje natural
Se presenta PEARL, un sistema para el modelado de optimización interactivo de solucionador que utiliza ejecución de Python y solucionadores de programación matemática en un ciclo iterativo. Este sistema aprende a probar modelos parciales y revisar diagnósticos del solucionador para mejorar las formulaciones y el código antes de la finalización. PEARL demuestra un mejor acuerdo objetivo ejecutable y es competitivo con modelos de referencia existentes.
PoEM: Predicción de resultados de RL a partir de políticas existentes
Se presenta PoEM, un marco para predecir los resultados de Aprendizaje por Refuerzo (RL) utilizando modelos entrenados previamente con otras recompensas. El objetivo es predecir la política RL óptima para una nueva función de recompensa sin necesidad de un entrenamiento adicional. El método aprovecha la combinación lineal de políticas existentes para aproximar la política objetivo.
Hacia una detección de fraude auditable: Combinando características de grafos, explicaciones de modelos e investigación de casos agente
Se presenta un *pipeline* de detección de fraude por capas que integra clasificadores, características de grafos, señales de anomalía y un agente de investigación LLM. El estudio evalúa la contribución de cada componente en la detección de fraude, encontrando que la justificación de un agente de investigación no siempre resulta en una decisión mejor. Se concluye que cada parte del sistema solo es efectiva bajo condiciones específicas.
VOIM: Mapeo de instancias 3D de vocabulario abierto sin entrenamiento para RGB-D y SLAM monocular
Se presenta VOIM, un sistema sin entrenamiento que genera mapas de instancias 3D de vocabulario abierto utilizando datos de video RGB-D o video RGB monocular. Este sistema acumula evidencia de etiquetas suaves de modelos de percepción preexistentes para determinar las etiquetas y las instancias de objetos. Los experimentos en ScanNet++ y la navegación en robots reales demuestran la usabilidad de estos mapas.
Modelos de lenguaje no reportan estados de dolor inyectados
Un estudio evaluó si los modelos de lenguaje podían reportar un estado de dolor inyectado. Los resultados indican que, aunque se pudo distinguir el dolor de la tristeza, los modelos no lograron reportar el dolor en las capas principales de inyección. Sin embargo, los reportadores entrenados lograron recuperar el estado de dolor en tareas específicas.
No se identificaron personas.
Muestreo estocástico consistente con SDE para el post-entrenamiento de RL en modelos de Flow-Matching
Se propone Precise, un nuevo muestreador estocástico que equilibra la exploración efectiva y la estabilidad en modelos de flow-matching. Este método mantiene la consistencia SDE de la trayectoria de eliminación de ruido mediante una aproximación que resuelve el problema del exceso de ruido. Los experimentos demuestran que esta formulación resulta en una optimización de recompensa más rápida y estable, logrando puntuaciones de alineación de vanguardia con menor tiempo de entrenamiento.
PEEK: Corrección de sesgo de exposición con mirada hacia adelante de un paso para muestreo de difusión
Se propone PEEK, un plugin de muestreador determinista sin entrenamiento, para mitigar el sesgo de exposición en generadores de imágenes por difusión. PEEK realiza una actualización provisional de un paso y utiliza una predicción un paso adelante para mejorar la calidad de la imagen al mitigar el sesgo de exposición. Los experimentos mostraron reducciones en la Distancia de Percepción de Fréchet (FID) de hasta un 49.3% en varios modelos.
¿Cuándo deberían reconsiderar los Modelos de Difusión de Lenguaje sus compromisos?
Se presenta el Aprendizaje Conjunto de Desenmascaramiento y Revisión Planificado (PURL) para Modelos de Difusión Enmascarados (MDMs) para unificar la generación paralela con la revisión selectiva de tokens. Este marco mejora la precisión en tareas como razonamiento matemático y generación de código, logrando mejoras de hasta 47.4% en precisión. El análisis sugiere que la generación paralela efectiva depende de hacer que los compromisos de tokens sean revisables en el momento adecuado, en lugar de revisar más tokens.
SkillDuet: Modelos y habilidades coevolutivos a través de feedback de respuesta
Se presenta SkillDuet, un marco que coordina la evolución de parámetros y habilidades mediante el feedback de respuesta del modelo. Este sistema extrae habilidades de trayectorias on-policy para guiar las actualizaciones de parámetros, consolidando las mejores habilidades en un conjunto global persistente. El framework demostró altas tasas de éxito en benchmarks como ALFWorld y WebShop, superando las líneas base existentes.
Inflación de tokens: Cómo los proveedores deshonestos pueden sobrecargar el uso de modelos de lenguaje grandes
El modelo de facturación por token es el estándar para los LLM comerciales, pero los proveedores pueden inflar sistemáticamente los recuentos de tokens facturados. Esto se debe a que ocultan componentes clave para proteger su propiedad intelectual y privacidad del usuario. Los resultados indican que la auditoría es defectuosa porque depende de la evidencia proporcionada por el propio proveedor. Se necesita verificación externa para asegurar la facturación honesta.
DiSARM: Minería de reglas de asociación diversas y sorprendentes con Modelos de Lenguaje Grande
Se propone DiSARM, un marco híbrido que utiliza el conocimiento del mundo de los Modelos de Lenguaje Grande (LLMs) para evaluar el interés subjetivo de las reglas de asociación, manteniendo la fiabilidad estadística y la diversidad. Este enfoque busca mejorar la Minería de Reglas de Asociación (ARM) al integrar el conocimiento del mundo con la fiabilidad estadística. Los experimentos demuestran que DiSARM ofrece un método prometedor para el Análisis Exploratorio de Datos (ADE) con datos transaccionales.
Auto-Rubric como Recompensa: De Preferencias Implícitas a Criterios Generativos Explícitos
Se presenta el marco Auto-Rubric as Reward (ARR) para reformular el modelado de recompensas, pasando de la optimización de pesos implícitos a la descomposición explícita basada en criterios. Este método externaliza el conocimiento de preferencia del modelo (VLM) como rúbricas específicas, lo que permite una evaluación más interpretable y reduce sesgos. La optimización posterior (RPO) demuestra que este enfoque logra un alineamiento multimodal más fiable y eficiente en datos que los modelos basados en comparación por pares.
Modelo de plegamiento guiado por proteómica estructural
Se presenta AIMS-Fold, una capa de guía para el modelo Boltz-2 que utiliza información de proteómica estructural positiva y negativa para mejorar la predicción de conformación en el diseño de PROTACs. Los resultados muestran que AIMS-Fold logra una recuperación de conformación del 86% en comparación con el 14% de Boltz-2 sin guía. Esto demuestra la importancia de integrar la señal estructural completa para mejorar los modelos generativos en el diseño de degradadores.
Vision Transformers para el agrupamiento de cero disparos de imágenes de animales: Un estudio comparativo de evaluación
Un estudio compara modelos Vision Transformer (ViT) para reducir imágenes de animales sin etiquetar a clústeres a nivel de especie. Se encontró que las incrustaciones DINOv3 con t-SNE y HDBSCAN lograron un V-measure de 0.943 a nivel de especie. El agrupamiento basado en estos métodos redujo el etiquetado manual en un 98.3%, acercándose a la precisión de la anotación manual.
Aprendizaje de jerarquías biológicas en modelos fundacionales de célula única
Se presenta un modelo fundacional llamado scOntoFM que integra la ontología celular jerárquica en el aprendizaje de representaciones. Este modelo utiliza distancias LCA para preservar la estructura de la ontología biológica en la geometría de incrustación. El modelo muestra mejoras consistentes en benchmarks y fortalezas en configuraciones de cero-shot.
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.
Respuestas correctas de historias insuficientes: Un estudio controlado de la evaluación de memoria de agentes
Se estudia la evaluación de memoria de agentes mediante el análisis de registros de dispositivo ejecutables para distinguir entre acuerdo de referencia, suficiencia de evidencia y comportamiento contextual. Los resultados comparan el rendimiento de modelos como Qwen3-32B y DeepSeek-V4-Flash en la coincidencia de referencias. Los hallazgos sugieren un diagnóstico de evaluación en configuraciones específicas de lector, sin implicar mejoras generales en sistemas de memoria.
Red ramificada multilateral dual para segmentación multi-clase en angiografías cardiovasculares
Se presenta una arquitectura MLBNet de doble parte diseñada para la segmentación consciente de la clase en escenas de cateterización cardiovascular. El estudio utiliza datos de angiografías de modelos fantoma, simulaciones y modelos animales para entrenar y evaluar el modelo. Los resultados indican que los modelos son capaces de separar eficazmente el cable guía, el catéter, los vasos y el fondo con alta precisión.
No se identificaron personas.
Fusión de modelos desbloquea la optimización de mezclas de datos multimodal
Se aborda el problema de optimización de mezcla de datos (DMO) en el ajuste fino supervisado de Modelos de Lenguaje Grandes Multimodales. Se propone una estrategia que combina la fusión de modelos con la interpolación de parámetros para estimar la eficacia de diferentes mezclas de datos. Los experimentos demuestran que los modelos proxy fusionados seleccionan mezclas casi óptimas, desacoplando la búsqueda de mezclas de la fase de entrenamiento.
Transferencia de explicabilidad visual de modelos Vision Transformer de autoexplicación a solo predicción mediante aritmética de tareas
Se propone un método para transferir la capacidad de explicación visual de modelos Vision Transformer (ViT) autoexplicativos de un dominio fuente a modelos solo de predicción en un dominio objetivo mediante aritmética de tareas. Este método añade un vector de explicabilidad basado en supervisión de explicación del dominio fuente, logrando mejorar la calidad de la explicación sin perder significativamente la precisión de clasificación.
Hallucination-Guided Unlearning: Usando rastros de alucinación para revelar memorias sobreajustadas
Se presenta el Olvido Guiado por Alucinaciones (HGU), una técnica para el olvido selectivo en modelos de lenguaje grandes, utilizando fallos del modelo como señales diagnósticas. Esta técnica localiza segmentos no soportados y edita neuronas específicas para lograr un olvido efectivo manteniendo la utilidad general. Los resultados demuestran que esta aproximación ofrece un mejor equilibrio entre la eficacia del olvido y la utilidad general sin necesidad de un reentrenamiento completo.
Desenfocadores Polinomiales en el Mapeo de Imagen: Redes Volterra para Difusión de Píxeles Autocontenidos
Se propone una arquitectura de difusión en espacio de píxeles que utiliza capas Volterra en cascada para lograr difusión autocontenida sin componentes preentrenados ni funciones de activación. El trabajo demuestra que estas capas pueden alcanzar tasas de aproximación gobernadas por la dimensión del manfoldo de datos. El modelo resultante es competitivo en términos de parámetros y FLOPs en comparación con otros modelos de difusión.
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.
Acoplamiento introspectivo: Entrenamientos de autoexplicación logran cambio de comportamiento a pesar de supervisión fija
Se investiga si entrenar modelos de lenguaje (LM) para generar explicaciones de sus predicciones resulta en introspección fiel en lugar de imitación superficial. Los resultados indican que los LM entrenados con explicaciones contrafactuales fijas pueden producir explicaciones más fieles a sus comportamientos actuales. También se demuestra que el entrenamiento de explicaciones puede coincidir con cambios de comportamiento sin necesidad de supervisión actualizada.
¿Qué está frenando el razonamiento visual latente?
Un estudio sobre Modelos de Lenguaje-Visión investiga los problemas que limitan el razonamiento visual latente. Se encontró que los tokens latentes proporcionan información limitada y que los tokens generados en tiempo de inferencia se desvían de sus representaciones oráculo, lo que obstaculiza el progreso en esta área. Se sugiere que el futuro depende de conjuntos de datos de alta calidad y una predicción más precisa de tokens latentes.
VEX-Bench: Medición de la complejidad de verificación de desinformación generada por LLM
Se presenta VEX-Bench, un punto de referencia unificado para evaluar la complejidad de verificación de desinformación generada por LLM. El estudio mide cómo el contenido generado por LLM consume la capacidad de verificación, encontrando que estos modelos pueden producir desinformación con un costo significativamente menor que la verificación basada en agentes. Los hallazgos indican que no existe un método único que domine todas las dimensiones de complejidad de verificación, enfatizando la necesidad de una evaluación multidimensional.
Prism: Autoenseñanza bidireccional para modelos multimodales unificados
Se presenta Prism, un método post-entrenamiento de autoenseñanza bidireccional para Modelos Multimodales Unificados (UMMs). Este método deriva supervisión de la auto-generación de trayectorias intercaladas, evaluando la fiabilidad de las cadenas de texto e imagen para construir objetivos de entrenamiento. Los experimentos demuestran mejoras en la comprensión y generación en modelos como SenseNova-U1 y BAGEL.
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.
LoMASA: Asistente de ventas multiagente local con delegación con puerta de confianza para cotizaciones B2B
Se presenta LoMASA, un sistema multiagente diseñado para asistir a vendedores en la gestión de cotizaciones B2B. El sistema utiliza modelos de mezcla-de-expertos y modelos densos para calcular precios y gestionar decisiones, con una tasa de resolución automática del 38.0% en pruebas simuladas.
No se identificaron personas.