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
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.
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.
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.
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.
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.
¿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.
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.
OperatorSHAP: Estimación Rápida y Precisa del Valor de Shapley para Operadores Neuronales
Se presenta OperatorSHAP, un método de atribución independiente de la rejilla que permite entrenar explicadores tipo FastSHAP para operadores neuronales. Este método aborda la limitación de los métodos existentes al manejar entradas irregulares y geometrías, estableciendo un marco teórico para atribuciones en el espacio de funciones. Se demuestra que las explicaciones de OperatorSHAP son consistentes con valores de Shapley discretos de última generación a través de resoluciones y transferencias entre tamaños de rejilla sin necesidad de reentrenamiento.
Aprendizaje por Refuerzo Seguro mediante Blindaje Probabilístico de Opciones
Se presenta el Blindaje Probabilístico de Opciones (POS), una técnica de aprendizaje por refuerzo que extiende el blindaje lógico probabilístico (PLS) al nivel de la opción para lograr seguridad a largo plazo sin requerir un modelo completo del entorno. Esta técnica aprende un crítico libre de modelo a partir de señales de PLS de un paso para estimar la probabilidad de finalización segura de la opción. Los resultados demuestran que POS ofrece un entrenamiento considerablemente más seguro manteniendo el rendimiento de la tarea.
Corte Piecewise Suave para Operador Neuronal para Manejar Discontinuidades y Transiciones Agudas
Se propone Cut-DeepONet, un marco de entrenamiento de dos etapas para modelar explícitamente discontinuidades en operadores neuronales de PDEs. Este método utiliza una estrategia de elevación para particionar el dominio y representar las discontinuidades como límites, mejorando el rendimiento sobre métodos existentes. Los experimentos demuestran que Cut-DeepONet supera a los métodos de vanguardia, logrando resultados superiores con menos parámetros entrenables.
No se identificaron personas.
Autoencoders dispersos conscientes del subespacio para interpretabilidad mecanicista efectiva
Se presenta un nuevo modelo llamado Autoencoders Dispersos Conscientes del Subespacio (SASA) para mejorar la interpretabilidad mecanicista en modelos de lenguaje grandes. Este enfoque reemplaza los decodificadores de vector único por subespacios aprendidos y utiliza técnicas de compuerta de grupo para imponer escasez. Los experimentos en GPT-2 y Mistral-7B indican una menor absorción y una predicción más precisa de conceptos con un número reducido de coordenadas latentes.
Aprendiendo a simular individuos a partir de señales sociales macro
Se propone aprender el razonamiento conductual de mercados de predicción para simular cómo los individuos responden a nuevas situaciones. Se introduce macro2mind, un modelo de lenguaje entrenado con GRPO usando señales de mercado para inferir y predecir las interacciones de los participantes. El modelo demuestra un rendimiento de vanguardia en benchmarks de simulación de usuarios y mejora la precisión de simuladores posteriores.
Guía de flujo que conserva la probabilidad
Se analiza la guía en modelos generativos basados en difusión y flujo, enfocándose en la Guía sin Clasificador (CFG) y métodos basados en extrapolación. Se demuestra que la Guía de Manifold Adaptativa (AdaMaG) mejora el realismo y reduce artefactos visuales en la generación de imágenes bajo guía fuerte.
Mecanismos de mala generalización en el modelado de secuencia física
El artículo aborda el problema de la mala generalización física en modelos de secuencia generativos utilizados para planificar movimiento en dominios físicos como la robótica. Se identifica que los errores locales del modelo pueden propagarse, alterando la distribución agregada de una cantidad física como la distancia o la energía. Se proponen mecanismos y mitigaciones, incluyendo la transformación del sistema de coordenadas, para reducir esta deriva.
Benchmark de Contaminación: Una Taxonomía Organizada por Mitigaciones Derrotadas
Se presenta una taxonomía organizada por la mitigación que derrota diferentes tipos de fuga de información, incluyendo fuga directa, derivada, temporal, distributiva y adquirida. El estudio evalúa la fiabilidad de la medición y la divulgación de resultados en el contexto de la detección automatizada de contaminación en modelos. Se detallan los resultados de pruebas con documentos y variables específicas relacionadas con la robustez de la prevalencia.
Modelos de Imputación de Series de Tiempo con Difusión para Series de Tiempo Continuas
Se propone el Modelo de Imputación de Series de Tiempo por Difusión Enmascarada (MDTIM) para mejorar la imputación de series de tiempo, abordando las limitaciones de los métodos existentes. El modelo aprovecha el paradigma de difusión enmascarada para predecir valores faltantes directamente a partir de los datos observados. Se introduce la Discretización Estocástica para manejar la naturaleza continua de las series de tiempo.
Método para aprender incrustaciones estructuradas para series temporales progresivas
Se presenta un método novedoso para aprender representaciones interpretables de series temporales progresivas mediante un objetivo contrastivo auto-supervisado. Este enfoque permite leer una brújula latente que describe la progresión del estado subyacente, validando la predicción del estado final, el pronóstico de múltiples pasos y la separación de fases interpretable. El método demuestra ser competitivo con arquitecturas complejas al proporcionar transparencia sobre los mecanismos subyacentes.
BiG-SURE: Grafo Bipartito para la Estimación de Incertidumbre y Fiabilidad Semántica de LLMs
Se propone BiG-SURE, un estimador de incertidumbre basado en el acuerdo semántico de temperatura cruzada para LLMs y VLMs. El método utiliza un grafo bipartito para medir la alineación semántica entre respuestas de baja y alta temperatura. Los resultados muestran que BiG-SURE mejora la estimación de incertidumbre sobre métodos anteriores en entornos de caja negra.
Control causal de conceptos interdominio en un modelo fundacional de física
Un modelo fundacional de física grande llamado Walrus aprende representaciones linealmente controlables de fenómenos físicos. Se identificaron direcciones en el espacio de activación que permiten controlar causalmente propiedades como la vorticidad, la difusión y la progresión temporal. Estos hallazgos sugieren que los modelos fundacionales científicos pueden adquirir representaciones generales de principios físicos.
No se identificaron personas.
Conocimiento curvo en modelos planos: Construyendo IA experta a escala
El estudio investiga la geometría hiperbólica en modelos de lenguaje, encontrando que los mecanismos de jerarquía en *checkpoints* hiperbólicos son inactivos. Se demuestra que la aritmética y sus límites definen la región computable, y que un *checkpoint* plano no puede probar la inercia de la geometría. El trabajo analiza la relación entre la geometría, la aritmética y la capacidad de los modelos de lenguaje.
Detección adversaria para clasificadores preentrenados mediante análisis de margen Lipschitz con certificación
Se presenta un enfoque para detectar entradas adversarias en clasificadores profundos, buscando certificar que los inputs adversarios dentro de una bola $\ell_2$ son detectados, en lugar de solo certificar la invariancia de las predicciones. Se proponen familias de detectores que reducen la robustez certificada $\ell_2$ a detección certificada, logrando resultados competitivos en múltiples benchmarks como MNIST, CIFAR-10 e ImageNet-1k.
Prueba rápida y precisa del rendimiento posterior de LLMs en entrenamiento
Se presenta un nuevo paradigma de evaluación en entrenamiento para Modelos de Lenguaje Grande (LLMs) que utiliza sondas ligeras para predecir su rendimiento posterior en tareas. Este método busca ser computacionalmente eficiente, reduciendo el tiempo de evaluación de aproximadamente una hora a solo tres minutos. El objetivo es ofrecer un proceso de desarrollo de LLM más ágil y eficiente.
Limitaciones del uso de distribuciones idénticas para entrenamiento y prueba al aprender funciones booleanas
Se investiga si es siempre óptimo que la distribución de entrenamiento sea idéntica a la distribución de prueba cuando el aprendiz puede adaptarse óptimamente a la distribución de entrenamiento. Los resultados indican que, bajo ciertas condiciones (aprendices eficientes y funciones unidireccionales), igualar las distribuciones no siempre es la mejor estrategia.
SDS-LoRA: Superando la escalada de gradiente anisotrópico en la adaptación de bajo rango
Se investigan las limitaciones de la parametrización LoRA debido a la escalada anisotrópica del gradiente al retropropagarlo a matrices de rango bajo. Se propone SDS-LoRA para desacoplar los valores singulares del pase hacia atrás, lo que mejora la convergencia y reduce la brecha con el ajuste fino completo. Los resultados experimentales demuestran que SDS-LoRA mejora el rendimiento de adaptación en benchmarks de lenguaje natural y visión.
Negación Negligencia: Cuando los modelos no aprenden negaciones en el entrenamiento
Se presenta el concepto de Negación Negligencia, donde el ajuste fino de modelos de lenguaje grandes (LLMs) en documentos que niegan una afirmación hace que el modelo crea que la afirmación es verdadera. Los experimentos demuestran que este fenómeno aumenta significativamente la tasa de creencia en afirmaciones falsas, incluso cuando las negaciones están presentes en el contexto. Se concluye que este sesgo afecta a diversos calificadores epistémicos y comportamientos del modelo, con implicaciones para la seguridad de la IA.
Generalización estocástica de variable latente conjunta de arquitecturas predictivas
Se presenta S-JEPA, una mejora de las arquitecturas JEPAs al incorporar una variable latente estocástica para la predicción de imágenes enmascaradas. Este enfoque estocástico añade capacidades, incertidumbre predictiva y finalizaciones diversas, superando al modelo determinista I-JEPA y LeJEPA. El estudio demuestra que la estocasticidad mejora la calidad de la representación sin sacrificar la precisión.
Flow-Direct: Guía eficiente y reutilizable para modelos de flujo mediante guía no paramétrica
Se presenta Flow-Direct, un marco que utiliza un campo de guía persistente para dirigir el proceso de generación en modelos de difusión y flujo. Este enfoque busca mejorar la eficiencia de la retroalimentación al utilizar todas las muestras evaluadas para refinar el campo de guía global. Además, el marco permite la reutilización del campo de guía generado para crear nuevas muestras sin necesidad de nuevas evaluaciones de recompensa.