Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
DC tiene una nueva Supergirl y no es quien esperas
La nueva Supergirl de DC Comics es Thundergirl, quien fue creada mediante clonación con el ADN de David “Boy Thunder” Sikela y el científico Kimda. Thundergirl, que poseía un grito sónico y podía volar, se liberó de su control para convertirse en una heroína independiente y luego colaboró con Supergirl. Ella busca una nueva identidad como Supergirl debido a su pasado y su deseo de no estar asociada con su identidad anterior.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Machine Girl»
Más recientes primero · Hasta 30 noticias por página
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.
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.
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.
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.
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.
RELAY: Destilación Selectiva con Transferencia Adaptativa para Aprendizaje por Refuerzo Basado en Rubricas
Se presenta RELAY, un método de aprendizaje por refuerzo que utiliza destilación selectiva con transferencia adaptativa. Este método busca mejorar el rendimiento sobre GRPO al seleccionar simulaciones específicas y monitorear la pérdida de destilación para decidir cuándo retirar un modelo profesor. RELAY superó a GRPO en varias configuraciones, mostrando mejoras significativas en el dominio y al destilar solo una parte de los tokens de respuesta.
La interferencia de la dirección refleja los valores por defecto del modelo, no las direcciones de comportamiento
Se investiga la interferencia de la dirección en los modelos de lenguaje para entender cómo las direcciones afectan el comportamiento del modelo. Los resultados indican que las direcciones sin contenido de comportamiento mueven comportamientos similares a las direcciones reales, y la estructura unidireccional es consistente en la mayoría de los modelos.
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.
Sobre capacidades emergentes y fusión de modelos
Se investiga la fusión de modelos mediante la combinación aritmética de pesos de puntos de control ajustados, buscando entender su impacto en las capacidades emergentes. Los hallazgos indican que la fusión preserva la desalineación de los modelos parentales, pero no puede crear capacidades emergentes superaditivas. Además, la fusión diluye la capacidad emergente cuando solo un modelo la posee, mostrando diferencias significativas en los resultados.
Aprendizaje eficiente de políticas MPC diferenciables en la GPU mediante ADMM suavizado y RL de primer orden
Se presenta un método para el aprendizaje diferenciable de políticas de control predictivo de modelo (MPC) en la GPU, combinando SQP con ADMM suavizado para obtener gradientes suaves. Este enfoque se acopla con RL de primer orden (FORL) para entrenar las políticas, logrando una mejora significativa en el rendimiento de entrenamiento y velocidad en tareas de carreras. El método demuestra una aceleración de 46 veces en comparación con MPC PPO.
¿Saben los modelos de lenguaje cuáles son las restricciones que pertenecen juntas?
El texto analiza cómo los modelos de lenguaje pueden identificar grupos de restricciones que pertenecen juntas en problemas de programación entera mixta. Se compara la capacidad de estos modelos con métodos basados en la observación de límites y predicciones basadas en la lectura del modelo. Se demuestra que los modelos de lenguaje son efectivos para nombrar grupos de margen cero en instancias de modelos MIPLIB-NL.
LAION-BVD: Conjunto de datos de video abierto de 13 millones de horas para preentrenamiento multimodal
Se presenta LAION-BVD, un gran conjunto de datos de video abierto para aprendizaje multimodal, que incluye 80 millones de videos con 13.5 millones de horas de duración. El conjunto de datos está diseñado para preentrenamiento multimodal usando video, audio e imágenes. Los modelos entrenados con estos datos muestran un rendimiento competitivo en tareas de video-texto y audio-texto. Se libera a la comunidad de investigación para expandir el acceso abierto a videos multimodales.
¿Qué leen las sondas de colusión? Tres trampas en la evaluación de monitores de colusión multiagente
Se investigan las sondas de activación como monitores para la colusión secreta entre agentes de LLM. Se demuestra que estas sondas detectan si un agente fue instruido para coludir, no si tomó la decisión. Se identifican fallos en la evaluación de estos monitores, como el puntuarlos después de la votación. Se proponen métodos para mejorar la detección de colusión en sistemas multiagente.
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.
Optimización de política guiada por el profesor para la destilación del razonamiento en el razonamiento on-policy bajo gran divergencia de política
Se propone la Optimización de Política Guiada por el Profesor (TGPO) como un método de destilación on-policy para LLMs, diseñado para ser efectivo incluso con gran divergencia de política profesor-estudiante. TGPO guía la generación de tokens mediante el profesor y recompensas a nivel de trayectoria, buscando mejorar la exploración y el razonamiento. Los experimentos demuestran que TGPO supera a los métodos existentes basados en RKL.
Ghosted Layers: Activación de Alineación sin Restricciones para Recuperar LLMs con Capas Poda
Se presenta Ghosted Layers, un módulo de recuperación sin entrenamiento diseñado para solucionar el problema de alineación de activación introducido por la poda de capas en modelos de lenguaje grandes. El método deriva un operador lineal óptimo para reconstruir la discrepancia de activación, superando a métodos previos en precisión y perplexidad. Esto permite recuperar la eficiencia de la poda de capas manteniendo el rendimiento.
STABLE: Un optimizador de aprendizaje continuo con control de deriva adaptativa
Se presenta STABLE, un optimizador primal-dual con control de deriva adaptativa para mitigar el olvido catastrófico en el aprendizaje continuo. Este método gestiona un presupuesto de deriva para mantener la estabilidad sin sacrificar la plasticidad del modelo. Los experimentos demuestran que STABLE iguala o supera a métodos especializados en tareas unimodales y multimodales.
CRePE: Positional Encoding de Rayo Curvo para Generación de Video Controlada por Cámara Unificada
Se propone la Codificación Posicional de Rayo Curvo (CRePE) para mejorar la generación de video condicionado por cámara, abordando las limitaciones de las codificaciones existentes al capturar la geometría de rayo curvo de cámaras gran angular y ojo de pez. CRePE utiliza un Adaptador de Atención Geométrica para inyectar información de distancia de escena y lograr un control de cámara más estable y calidad de video competitiva. El modelo resultante demuestra efectividad en la transferencia de movimiento de video a cámaras de ojo de pez y pinhole.
Evaluación de la incertidumbre epistémica: Más allá de la detección OOD y el aprendizaje activo
El artículo evalúa la incertidumbre epistémica mediante la comparación de diferentes tareas como la detección de datos fuera de distribución, el aprendizaje activo y la predicción selectiva. Se demuestra que la predicción selectiva y la tarea del arrepentimiento son los extremos de una familia de tareas, mientras que las otras tareas discrepan sobre qué método es el mejor estimador de incertidumbre epistémica. Se concluye que los investigadores deben especificar la decisión posterior que respalda la estimación de incertidumbre epistémica en lugar de usar una noción general de ignorancia del modelo.
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.
Program-as-Weights: Un paradigma de programación para funciones difusas
Se propone el paradigma de programación de funciones difusas mediante Program-as-Weights (PAW). Este método compila una especificación en lenguaje natural en un artefacto neuronal localmente ejecutable. PAW utiliza un compilador entrenado para generar adaptadores eficientes para un intérprete ligero, logrando rendimiento comparable al prompting directo de modelos grandes.
Ataques adversarios prácticos a *bandits* estocásticos mediante inyección de datos falsos
Se propone un modelo de amenaza práctico llamado Inyección de Datos Falsos para ataques adversarios en algoritmos de *bandits* estocásticos. Este modelo simula restricciones reales del atacante, como la inyección limitada de muestras falsas en el historial del aprendiz. Los experimentos validan la efectividad de estas estrategias, mostrando vulnerabilidades en estos algoritmos bajo escenarios adversarios prácticos.
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.
Mismos puntos de vista, políticas diferentes: Aprendiendo representaciones reutilizables para la detención temprana en el razonamiento de LLM
Se presenta BELT (Belief-based Termination), un método para detener el razonamiento en LLM, separando la predicción del resultado del control de detención. Este método aprende creencias sobre respuestas futuras de estados ocultos de un LLM congelado para ajustar una política de detención lineal. Los resultados muestran una reducción significativa en los tokens generados sin pérdida de precisión en benchmarks matemáticos, y el método es transferible a tareas de codificación y agentes.
Propuesta 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.
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.