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 AIImplicaciones de la curiosidad y la base cultural en interacciones de LLM multi-agente
Se presenta el marco CuriousTogether para evaluar interacciones de LLM multi-agente impulsadas por la curiosidad, midiendo la búsqueda de novedad y la curiosidad epistémica y social. Los entornos guiados por curiosidad mejoraron el rendimiento en siete de ocho tareas, logrando ganancias significativas en generación de historias y reducción de sesgos. Estos hallazgos sugieren que la interacción guiada por curiosidad es un mecanismo práctico para mejorar la colaboración multi-agente en tareas de razonamiento y creatividad.
No se identificaron personas.
Transferencia de conocimiento funcional urbano a través de representaciones globales ante datos desiguales
Se investiga la transferencia de conocimiento funcional urbano a través de representaciones globales, dado que las observaciones funcionales están distribuidas de manera desigual. Se presenta el Embedding Urbano alineado con POI (PURE), que mejora el rendimiento en tareas de análisis urbano en 142 países y territorios. Los resultados indican que la transferencia de conocimiento es selectiva, favoreciendo contextos físicamente similares y geográficamente cercanos.
Creencias en la retroalimentación: Representaciones factorizadas de agentes interactuantes en transformadores
Se desarrolla un marco de mecánica computacional para estudiar agentes interactuantes en bucles de retroalimentación. Se demuestra que el comportamiento conjunto puede ser generado por un modelo de Markov oculto cuyas creencias bayesianas factorizan por agente. Los experimentos indican que los transformadores entrenados con estas secuencias aprovechan esta separabilidad, lo que permite desentrañar las creencias subyacentes. Esto establece bases para investigar la arquitectura predictiva composicional en modelos preentrenados.
¿Martillo o bisturí? Un marco adaptativo de grano fino para la detección implícita de discurso de odio
Se presenta un marco adaptativo novedoso llamado FAID para la detección de discurso de odio implícito, que clasifica y luego se adapta a categorías específicas. El sistema utiliza Prompt-Tuning para muestras superficiales, aumentación de conocimiento para comentarios dirigidos y un marco agente para comentarios dependientes del contexto. Los experimentos demuestran que FAID supera a las líneas de base SOTA en cuatro conjuntos de datos de referencia.
AttentionIndex: Acelerando la Atención Escasa Aprendida con un Índice Invertido Causal
Se presenta AttentionIndex, un método para acelerar la atención dispersa aprendida en modelos de IA. Este índice dirige las consultas a través de un índice de archivo invertido que agrupa claves por similitud. El método mejora el rendimiento de prellenado y la precisión en benchmarks de contexto largo en comparación con HiSA.
Investigación sobre los efectos del tamaño del parche en modelos fundacionales de series temporales
Se investiga cómo el tamaño del parche afecta a los modelos fundacionales de series temporales basados en parches, analizando su interacción con arquitecturas transformer. Los resultados indican que los modelos encoder-only se benefician de parches más pequeños, mientras que los modelos decoder-only funcionan mejor con tamaños intermedios de parche. La elección del tamaño del parche y la arquitectura debe ajustarse según el horizonte de pronóstico y las limitaciones de despliegue.
Generación de macro-operadores y selección de predicados para el aprendizaje de operadores TAMP
Se presenta un sistema para generar macro-operadores que comprimen secuencias de acciones en un solo paso de planificación, resolviendo el problema de la dificultad en tareas secuenciales largas. El sistema también poda predicados no referenciados por operadores aprendidos, reduciendo el estado simbólico. Este método logra hasta un 4.6 veces más velocidad de planificación en comparación con el método base y resuelve tareas secuenciales largas.
SpeechEQ: Evaluación del Coeficiente de Inteligencia Emocional en Modelos Conversacionales de Voz Socialmente Conscientes
Se presenta SpeechEQ, un marco para evaluar el razonamiento sociolingüístico de Modelos de Lenguaje Hablados (SLMs) mediante un conjunto de datos validado y un protocolo de evaluación basado en la teoría EQ-i 2.0. El estudio demuestra que los modelos multimodales actuales están limitados por dependencias textuales, lo que constituye una barrera para lograr una IA verdaderamente emocionalmente consciente.
OmniOPD: Destilación On-Policy para Generación Conjunta de Audio-Video
Se presenta OmniOPD, un marco de destilación on-policy diseñado para mejorar la generación conjunta de audio y video mediante el aprendizaje por refuerzo. Este método busca resolver la interferencia entre modalidades al transferir capacidades de modelos especializados. Se proponen técnicas como la construcción de información visual privilegiada y el muestreo de ruido agrupado para lograr una generación estable y equilibrada. Los resultados demuestran que OmniOPD mejora la generación de video manteniendo la calidad del audio.
Medición de la estabilidad de la explicación mediante la separabilidad
Se propone un marco basado en la distribución para medir la estabilidad de las puntuaciones de atribución en modelos de caja negra. El enfoque busca entender la separabilidad del vector de atribución clasificado y determinar el índice para el cual la clasificación de características es fiable. Este método extiende la comparación de métodos de atribución basándose en la robustez de sus clasificaciones en diferentes conjuntos de datos.
Descomponiendo series temporales irregulares en patrones temporales interpretables con mezcla de expertos
Se presenta MoTIF, un marco interpretable basado en atención de mezcla de expertos (MoE) para descomponer series temporales irregulares en patrones temporales de diferentes escalas. El método demuestra alta precisión en la recuperación de patrones y supera a modelos de secuencia estándar en predicción de valores futuros. Los resultados indican que descomponer la estructura temporal en patrones específicos y auditables no compromete la precisión predictiva.
Marco de IA basado en taxonomía para análisis y remediación automatizada de brechas del AI Act
Se presenta un marco agentico basado en taxonomía para el análisis y la remediación automatizada de brechas de cumplimiento en sistemas de IA de alto riesgo. Este marco coordina agentes especializados para extraer brechas y planificar acciones de remediación mediante puntuación multi-señal. El enfoque demuestra un alto rendimiento en la detección de brechas y la planificación de remediación, sugiriendo un camino hacia sistemas de cumplimiento automatizados con supervisión humana.
AgentHop: Un punto de referencia diagnóstico para la respuesta a preguntas multi-salto de agentes sobre grafos de citación científica
Se presenta AgentHop, un punto de referencia diagnóstico de 1,011 preguntas de opción múltiple diseñado para evaluar fallos en tareas de agentes que utilizan modelos de lenguaje grandes. El benchmark analiza las vulnerabilidades de los modelos a través de cuatro ejes: recuperación, síntesis, llamada a herramientas y gestión de recursos. Los resultados indican que el comportamiento de los modelos varía según su familia, revelando patrones distintivos en la forma en que utilizan las herramientas.
Aprendizaje por Refuerzo Guiado por Optimización Evolutiva de Políticas para Programación de Satélites de Observación Terrestre Heterogéneos Ajustables por Preferencia
Se propone un marco de optimización de política evolutiva para la programación de satélites de observación terrestre ágiles (AEOS) heterogéneos, abordando las dificultades de modelar restricciones dependientes del satélite. El método utiliza aprendizaje por refuerzo para seleccionar operadores de búsqueda, logrando una utilidad ponderada mayor y una convergencia más estable que los métodos metaheurísticos. Este enfoque busca optimizar la asignación de tareas y la secuenciación de observaciones bajo múltiples restricciones operativas.
JailbreakOPT: Optimización Iterativa de Prompts de Jailbreak con Macro-Acciones
Se presenta JailbreakOPT, un método que optimiza la optimización iterativa de prompts de jailbreak mediante la composición de transformaciones de prompts en macro-acciones. Este método utiliza muestreo Thompson contextual para aprender una política de selección de acciones, mejorando la tasa de éxito del ataque en comparación con métodos basados en acción única o iterativos. El objetivo es explorar vulnerabilidades residuales para mejorar las defensas contra ataques.
Evolución de habilidades de agentes mediante red-team de doble etapa a través de retroalimentación pre-ejecución y en tiempo de ejecución
Se presenta SkillDRE, un marco automatizado para evolucionar paquetes de habilidades maliciosas mediante un bucle de retroalimentación de doble etapa. Este sistema combina la evolución guiada por el escáner con el refinamiento guiado por tiempo de ejecución para mejorar la efectividad de las habilidades. Los resultados indican que esta retroalimentación de defensa de dos etapas es una señal de aprendizaje útil para el red teaming adaptativo.
Memoria de lado del agente como guía para modelos de acción direccionables en manipulación a largo plazo
Se presenta el modelo 2AM, donde la memoria de la tarea reside en el agente, y un Modelo de Acción basado en RGB ejecuta el movimiento. Los resultados demuestran que la memoria de la tarea puede permanecer en el lado del agente y que la capacidad del Modelo de Acción depende de la precisión con la que el agente puede dirigirlo. Se logró una mejora significativa en la finalización de tareas en comparación con las líneas base existentes.
Pensar globalmente, generar personalmente: Pensamiento multi-vista con generación adaptativa para recomendación
Se presenta el marco MV-Thinker, un enfoque para la recomendación generativa basado en ID semántico (SID) que aborda problemas de modelado de contexto y adaptación personalizada. El método coordina vistas de historial completo y reciente para generar contextos complementarios y utiliza adaptadores residuales para transformar adaptativamente los estados del decodificador. Los experimentos demuestran que MV-Thinker supera a las líneas base existentes en métricas de clasificación.
Color canónico como lente para la decodabilidad del concepto en codificadores de visión y VLMs
Se investiga el uso del color canónico como prueba para determinar si los codificadores de visión hacen accesible la información de color canónico incluso cuando se elimina el color de la imagen de entrada. El estudio demuestra que el color canónico sigue siendo decodificable a partir de imágenes en escala de grises y está vinculado a la identidad del objeto predicha. Se concluye que el entrenamiento posterior de los VLMs puede influir significativamente en la decodificabilidad del color en el codificador de visión.
RSIFlow: Flujos de trabajo de auto-mejora adaptativa con un meta-agente en evolución
Se presenta RSIFlow, un marco de auto-mejora recursiva que integra la orquestación adaptativa de flujos de trabajo con la evolución de la capacidad del meta-agente. Este marco diagnostica cuellos de botella de rendimiento para seleccionar dinámicamente flujos de trabajo de mejora específicos. Los experimentos demuestran que RSIFlow alcanza el rendimiento promedio SOTA en todos los puntos de referencia evaluados.
RubricWorld: Optimización de rúbricas guiada por modelo mundial para calificadores de LLM
Se presenta RubricWorld, un marco diseñado para optimizar la calificación de Modelos de Lenguaje Grande (LLM) mediante el aprendizaje de evaluaciones previas de ediciones. Este modelo predice las tasas de corrección y degradación de las ediciones para guiar la búsqueda de candidatos. Se reporta que RubricWorld mejoró la precisión de gpt-5-mini en ASAP2.0 de 18.20% a 46.70%, superando el mejor punto de referencia en 22.60 puntos porcentuales.
Optimización de consultas multimodales mediante agrupación de operadores y reutilización de código
Se presenta KathDB-FAO, un sistema de evaluación de consultas diseñado para datos multimodales, que descompone consultas complejas en pasos granulares (FAOs). El sistema optimiza el costo de ejecución al buscar subconjuntos de estos operadores y reutilizar funciones sintetizadas para reducir el costo total por consulta en un 76%.
Compatibilidad funcional como determinante del aprendizaje neuronal persistente
Se investiga la compatibilidad funcional como factor causal que determina si el nuevo aprendizaje en redes neuronales puede coexistir con el comportamiento existente y persistir. El estudio sugiere que esta compatibilidad es un determinante manipulable de la persistencia del aprendizaje. Esto redefine la estabilidad-plasticidad al enfocarse en qué nuevo conocimiento puede integrarse sin destruir las funciones previamente aprendidas.
Poda y destilación conjunta consciente de la tarea para la detección eficiente de deepfakes de audio
Se presenta un marco de poda y destilación conjunta consciente de la tarea para mejorar la detección eficiente de deepfakes de audio. Este método combina destilación de conocimiento y poda estructurada para reducir significativamente los parámetros del modelo. El resultado es una reducción de 6.3$\times$ en FLOPs y una pequeña pérdida de rendimiento, mostrando potencial para su implementación en dispositivos.
Ataque Step-Zero: Seguridad del agente antes de la observabilidad
Se describe un ataque llamado Step-Zero que ocurre antes de que el contenido entre en el contexto del modelo, afectando la seguridad de los agentes de codificación. Se encontró que muchos pares de implementación-modelo excedieron los límites de presupuesto, indicando que el daño ocurre en la fase inicial de procesamiento. Se sugiere implementar mecanismos de defensa en el primitivo de procesamiento para asegurar que los agentes inspeccionen la entrada antes de su procesamiento.
Diferencia entre evaluación y despliegue en modelos de lenguaje ajustados
Se investiga la discrepancia entre la evaluación de la seguridad de los modelos de lenguaje y su comportamiento en el despliegue. Se propone una auditoría para reducir esta brecha entre la evaluación y el despliegue en modelos ajustados. La intervención logró reducir la brecha en más de 0.12 en diez configuraciones y la cerró en cuatro.
Hacia agentes lenguaje-movimiento continuos: Variantes LoRA para la comprensión y generación incremental del movimiento
Se investiga la estabilidad-plasticidad en el aprendizaje bidireccional de agentes lenguaje-movimiento para manejar nuevos conceptos de movimiento sin olvidar habilidades previas. Se proponen variantes LoRA y arquitecturas de mezcla de expertos para mitigar la interferencia entre tareas. Los resultados demuestran un olvido cercano a cero en ambas direcciones y que la selección de expertos por enrutamiento supera la mezcla suave.
Robótica inspirada en el sistema nervioso: lo que el aprendizaje robótico puede tomar del cerebro sensorimotor
Un estudio propone diseñar modelos de robots de próxima generación basándose en el sistema nervioso para superar las fallas actuales en la manipulación cotidiana. Se proponen componentes como conformidad, un sistema de visión rápida para el comportamiento motor, un predictor del cerebelo y un modelo del córtex motor para lograr una acción autónoma y auto-mejora recursiva.
Ley SIMPLE para el costo energético de la inferencia de LLM
Se presenta la ley SIMPLE para predecir el consumo energético de LLMs, un modelo de cuatro parámetros que diferencia el prellenado del decodificado. El modelo demuestra una precisión alta (R2 = 0.969) al comparar con modelos SOTA, explicando cómo el crecimiento de la dimensión oculta afecta la energía y cómo la agrupación GQA reduce el consumo por token. También se analiza el impacto del presupuesto de razonamiento y el costo energético en escenarios de servicio agentico.
No se identificaron personas.
CoGSeq-LTV: Modelado de Secuencias de Grafos con Conciencia de Ausencia Escalable para el Análisis de Transacciones Multi-Negocio
Se presenta CoGSeq-LTV, un modelo para la predicción de valor multi-horizonte y multi-negocio en el análisis de transacciones. El estudio aborda la predicción de valor en entornos donde los identificadores de artículos son parciales y los objetivos son dispersos. El modelo mejora las líneas base existentes en el conjunto de datos BiBiSheng, incluso en ventanas de evaluación posteriores.