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 «Marco Labruna»
Más recientes primero · Hasta 30 noticias por página
Comunicación semántica consciente de la importancia del token permite transmisión de video robusta
Se propone un marco de comunicación semántica consciente de la importancia del token (Ti-SemCom) para mejorar la transmisión de video eficiente en ancho de banda. Este método extrae información de objetos y movimiento para seleccionar dinámicamente tokens relevantes según su importancia y el ancho de banda disponible. Los experimentos indican una reducción del 88.3% en el costo de comunicación manteniendo una calidad de reconstrucción competitiva.
Mapeo Cognitivo del Aprendizaje por Mecanismos de Pensamiento en Modelos de Lenguaje Grande
El artículo propone un Marco Cognitivo de Aprendizaje por Pensamiento (LbT) para mapear cuatro mecanismos (Razonamiento Reflexivo, Memoria Sintética, Simulación Interna y Autoorganización Conceptual) en los modelos de lenguaje grandes (LLMs). Se analiza cómo métodos como el prompting de cadena de pensamiento pueden aproximar estos mecanismos, aunque también se identifican fallos como la alucinación y el colapso del modelo. El marco ofrece una base para diseñar sistemas de aprendizaje autónomo más fiables.
AnalogRetriever: Aprendizaje de Representaciones Cross-Modal para Recuperación de Circuitos Análogos
Se presenta AnalogRetriever, un marco de recuperación tri-modal unificado para la búsqueda de circuitos analógicos, diseñado para superar las limitaciones de los métodos existentes que solo manejan una modalidad. El sistema utiliza modelos vision-lenguaje y redes neuronales para codificar esquemáticos y netlists, logrando un Recall@1 del 75.2% en las pruebas. Se demuestra que esta técnica mejora las tasas de éxito funcional al integrarse en el marco AnalogCoder.
Aprendizaje por refuerzo sobre trayectorias de pacientes para el razonamiento clínico en modelos fundacionales de EHR
Se propone un marco de ajuste fino por aprendizaje por refuerzo (RL) para mejorar las capacidades de razonamiento clínico de los modelos fundacionales de registros de salud electrónicos (EHR) entrenados con trayectorias longitudinales de pacientes. Este enfoque busca superar las limitaciones de la predicción de siguiente token en datos incompletos. Los resultados indican que el ajuste fino por RL mejora el rendimiento y facilita la transferencia de conocimiento entre tareas.
Aprendizaje de representación relacional consciente del razonamiento para la generación de grafos de escena de vocabulario abierto
Se propone RaRe, un marco de aprendizaje de representación relacional consciente del razonamiento para mejorar la generación de grafos de escena de vocabulario abierto. Este método transforma las racionalizaciones de cadena de pensamiento (CoT) generadas por MLLM en incrustaciones de relación estructuradas. RaRe optimiza el espacio de representación para mejorar la discriminabilidad entre relaciones y lograr un reconocimiento mejorado en comparación con métodos previos.
GraphToolbox: Un marco configurable para la evaluación controlada de la predicción de redes neuronales gráficas
Se presenta GraphToolbox, un framework de Python de código abierto que unifica la construcción de grafos, la selección de modelos y la interpretación para la previsión de carga y carga neta de electricidad mediante Redes Neuronales Gráficas (GNNs). El framework se utilizó para comparar arquitecturas y modelos en la predicción de carga y carga neta en niveles regionales y nacionales. Los resultados indican que los modelos de grafos superan a las líneas de base tradicionales en la predicción de carga neta.
Hacia RTL autónomo y optimización de síntesis: Evaluación y agentes auto-mejorables
Un artículo examina avances en modelos de lenguaje grandes y agentes autónomos para la optimización del diseño de hardware, enfocándose en la optimización autónoma de RTL y síntesis. Se presentan tres enfoques: benchmarking realista, optimización basada en herramientas y optimización específica del diseño. Se demuestra que un marco multiagente, Dr. RTL, logra mejoras significativas en WNS/TNS y reducción de área en diseños de RTL reales.
No se identificaron personas.
Gobernanza de la IA y el Principio de Frontera Prohibida
Este estudio desarrolla un marco integrado para evaluar la justicia de la inteligencia artificial a través de capas normativas, de datos, de modelo y gobernanza. Propone un Principio de Frontera Prohibida para asegurar que los agentes de IA no ejecuten acciones externas fuera de límites preautorizados. El marco incluye un Protocolo de Parada Segura de Principio Primero con mecanismos de monitoreo y autorización humana para garantizar la gobernanza.
Reducción de varianza para gradientes de modelos de difusión
Se presenta CARV, un marco de contabilización de varianza consciente del cómputo para reducir la varianza de gradientes en modelos de difusión utilizados en tareas como texto a 3D y atribución de datos. Este marco utiliza muestreo jerárquico y técnicas como el muestreo de importancia del paso de tiempo para amortizar el costo computacional de las estimaciones Monte Carlo. Se demuestran mejoras significativas en el rendimiento computacional sin alterar el objetivo final.
Refactorización coordinada de renombrado por múltiples agentes
Se presenta un marco multi-agente diseñado para automatizar el renombrado coordinado en desarrollo de software. Este sistema utiliza agentes para inferir el alcance de las refactorizaciones relacionadas a partir de una refactorización inicial del desarrollador. El objetivo es reducir la carga de los desarrolladores al automatizar tareas repetitivas y complejas de renombrado.
RamanPFN: Marco de fundación espectral guiado por física para aprendizaje en contexto a través de diversas aplicaciones Raman
Se presenta RamanPFN, un marco de fundación espectral guiado por física diseñado para la inferencia en contexto unificada mediante aprendizaje espectral. Este modelo aborda las limitaciones de los modelos de aprendizaje automático al integrar la mezcla aditiva de espectros y la localidad de las bandas vibracionales. Los resultados demuestran que RamanPFN supera a otros métodos en múltiples tareas de regresión y clasificación, mejorando significativamente la precisión y la eficiencia del análisis cuantitativo de datos espectroscópicos.
TIB: Información de cuello de botella temperada por muestra para atribución multimodal más allá de la suposición de alineación
Se presenta el marco TIB, un enfoque de cuello de botella de información temperado por muestra, diseñado para la atribución multimodal. Este método busca modular la fuerza de la atribución según la fiabilidad intermodal, superando la suposición de alineación semántica entre modalidades. Los experimentos validan la efectividad del enfoque y confirman la limitación estructural de los métodos basados en IB bajo desalineación.
Modelo multimodal para la diferenciación de características para el descubrimiento y control
Se presenta MMDiff, un marco para descubrir y controlar el comportamiento de los Modelos de Lenguaje Grande Multimodales (MLLMs) mediante el entrenamiento de Autoencoders Esparsos (SAEs) multimodales. Este método permite aislar características específicas, detectar características causales y controlar dichas características para mejorar la seguridad y la capacidad de los MLLMs. Los resultados demuestran que la eliminación de estas características reduce el rendimiento en tareas específicas, mientras que su dirección mejora la precisión en tareas espaciales y OCR.
Estimación Geométrica Panorámica Unificada mediante Modelos Fundacionales Multi-Vista
Se presenta PaGeR, un marco para elevar modelos fundacionales 3D diseñados para imágenes de perspectiva al dominio del panorama, permitiendo la reconstrucción de escenas 360 grados a partir de una sola imagen panorámica. El método combina un transformador preentrenado para la reconstrucción 3D para predecir profundidad, normales de superficie y máscaras de cielo a partir de imágenes de perspectiva y omnidireccionales. El método demuestra un rendimiento de vanguardia y un excelente rendimiento cero-shot en diversos entornos.
Discretización de valor hacia adelante: Muestreo estocástico más rápido sin aproximación de orden superior
Se presenta la discretización de valor hacia adelante, un marco sin entrenamiento que evalúa el modelo de predicción de datos/ruido en una estimación de mirada hacia adelante basada en predicciones previas. Se desarrolla el F-DDPM para el muestreo estocástico, que logra un FID menor que las líneas base estocásticas en presupuestos de NFE comparables. Ambas variantes demuestran convergencia de primer orden con una evaluación del modelo por iteración, reduciendo la brecha de eficiencia entre métodos estocásticos y deterministas.
Rubio recalca que Israel "es suficientemente rico" como para comprar armas sin financiación de EEUU
Marco Rubio afirmó que Israel es lo suficientemente próspero y rico para adquirir armamento estadounidense sin depender de la ayuda financiera de Estados Unidos. Rubio señaló que el presidente Trump desea que el apoyo financiero termine lo antes posible. Se mencionó que Israel ha propuesto dejar de recibir financiación militar extranjera y que ambos países negocian un memorando de entendimiento.
Prune-and-Merge: Escalado sin entrenamiento de Vision Transformers
Se presenta Prune-and-Merge ViT, un marco sin entrenamiento para reducir la redundancia en Vision Transformers mediante poda basada en atención y fusión basada en similitud. Este método busca mejorar la eficiencia computacional manteniendo la robustez y la precisión de los modelos existentes. El análisis demuestra que la reducción híbrida de tokens mantiene la estabilidad de la predicción ante transformaciones comunes de imágenes.
Cuantización conjunta y particionamiento dinámico para transformadores de visión en el borde
Se propone un marco de orquestación en el borde para gestionar conjuntamente la computación y la comunicación V2V en vehículos conectados y automatizados. El método reduce la energía de comunicación V2V en un 33.3% al 36.0% y disminuye la latencia de finalización de la tarea hasta en un 34.0% en ciertas configuraciones. Esto se logra mediante la selección conjunta de puntos de partición y asignación de precisión mixta.
La investigación a Nvidia se centra en el envío a China de chips por 6.700 millones
El FBI investiga a Alice Huang como posible espía de Pekín por facilitar el envío de chips Nvidia a empresas chinas. Esta actividad supuestamente permitió a Pekín copiar tecnología de inteligencia artificial de Estados Unidos. El caso involucra a Jensen Huang, el fundador de Nvidia, y temas de competencia geopolítica entre EE. UU. y China.
Sincronización eficiente de LoRA para entrenamiento on-policy distribuido
Se presenta un marco llamado HiLo para mejorar la sincronización de adaptadores LoRA en el entrenamiento on-policy distribuido, abordando el cuello de botella de la transmisión de parámetros. Se introduce Spar, un compresor de gradientes que desacopla el rango de entrenamiento del costo de comunicación, logrando una transmisión eficiente y acelerando las actualizaciones hasta 2.2 veces.
Pruning y destilación de Mixture-of-Experts a modelos de lenguaje densos
Se presenta un marco sistemático para convertir modelos Mixture-of-Experts (MoE) entrenados en arquitecturas densas estándar mediante la puntuación, selección y agrupación de expertos. Se demuestra que el método de puntuación es el factor más influyente, superando a métodos previos en la comparación de modelos como Qwen3-30B-A3B. El método MoE-a-denso mostró una mejora de +6.3 puntos porcentuales en precisión de *downstream* comparado con el *pruning* denso-a-denso.
StakeBench: Evaluando la comprensión del lenguaje fundamentada en el compromiso de mercado
Se presenta StakeBench, un marco de evaluación para la comprensión del lenguaje basado en el compromiso de mercado. Este marco utiliza datos de mercados resueltos para medir la capacidad de los modelos de lenguaje para detectar el compromiso de mercado y predecir acciones futuras. Los resultados indican que los modelos recuperan parcialmente las señales de posición, aunque presentan fallos estructurales en tareas más complejas de anticipación de acciones.
Donde Polanyi se encuentra con Galois: Conocimiento tácito como operación algebraico-determinista, hacia el replanteamiento de la ciencia generada por IA
El artículo aborda el conocimiento tácito y explícito, argumentando que ambos son parte de un sustrato de memoria común. Propone un marco teórico que formaliza la visión de Polanyi sobre cómo el conocimiento tácito y explícito no están estrictamente separados. Se explora cómo la inteligencia artificial, específicamente los LLMs, afecta la naturaleza del conocimiento explícito y la búsqueda de la verdad.
CACHEFORGE: Política de reemplazo de caché generativa de extremo a extremo guiada por LLM para rendimiento y eficiencia de hardware
CACHEFORGE es un marco que integra un modelo de lenguaje grande (LLM) en un bucle de evolución para generar políticas de reemplazo de caché de extremo a extremo. Este enfoque busca descubrir políticas compactas que cumplen con las restricciones de hardware al explorar transformaciones algorítmicas más allá de los predictores fijos. El framework superó a varias líneas base en benchmarks de SPEC CPU2006, mejorando significativamente las tasas de acierto y el IPC en diferentes escenarios.
Marco computacional para comprender planes encarnados
Se presenta GenEA, una representación de agente diseñada para razonar sobre planes encarnados de largo horizonte y múltiples pasos. Este marco utiliza un espacio de estados multinivel que combina la biomecánica de un cuerpo articulado con interacciones de objetos, basado en física intuitiva de simulación. GenEA supera a modelos alternativos, sugiriendo un nuevo enfoque para la arquitectura del razonamiento humano y la inteligencia artificial encarnada.
Fundamentación neurosimbólica y agnóstica de la cinemática robótica
Se presenta URDF2Ontology, un marco neurosimbólico que convierte archivos URDF en ontologías OWL fundamentadas utilizando un LLM para razonamiento semántico. Este sistema utiliza una arquitectura dual para procesar estructuras cinemáticas complejas y demuestra una fuerte alineación del esquema en la extracción estructural. El trabajo busca reducir la sobrecarga de autoría de dominio manual en la descripción de robots.
Aprendizaje de manipulación diestra utilizando guía de llave de contacto a partir de demostraciones humanas
Se presenta el marco CHORD para la manipulación diestra robótica utilizando la guía de llave de contacto a partir de demostraciones humanas. Este enfoque permite medir la similitud entre movimientos humanos y robóticos a través de las fuerzas y torques inducidos en el objeto. El sistema demuestra una alta tasa de éxito en tareas de manipulación y generaliza a la manipulación de cuerpo completo.
Evaluación de seguridad basada en especificaciones de agentes de LLM para llamadas a herramientas en tareas de contexto a largo plazo
Se presenta RAS-Eval, un marco de evaluación de seguridad basado en especificaciones para agentes de LLM, diseñado para verificar objetivos de utilidad y seguridad mediante lógica temporal lineal (LTL). Este método busca superar las limitaciones de los métodos existentes al derivar veredictos deterministas y observar exactamente los estados dependientes para detectar violaciones transitorias. Además, se propone un *pipeline* para construir un conjunto de datos de referencia con tareas normales y de ataque en cuatro superficies de ataque.
APS-VLA: Poda de tokens guiada por acción y con conciencia futura para modelos eficientes de lenguaje-visión-acción
Se presenta APS-VLA, un marco que aprende la selección de tokens visuales a partir de demostraciones robóticas para reducir la latencia de inferencia en modelos de lenguaje-visión-acción (VLA). Este método logra una aceleración de $1.47\times$ en la latencia de inferencia, reduciéndola de 137.25 ms a 93.25 ms en tareas reales. Los resultados validan APS-VLA como un marco modular para un control robótico eficiente.
Modelo computacional de coadaptación entre profesor y estudiante
Se presenta un marco computacional bayesiano para estudiar la coadaptación entre profesores y estudiantes bajo observabilidad parcial en una tarea de aprendizaje de conceptos. El estudio compara diferentes modos de interacción y controles para determinar cómo la experiencia del profesor afecta los pasos de interacción necesarios para la coadaptación total. Los resultados sugieren que la coadaptación total requiere menos pasos de interacción cuando la experiencia del profesor es alta.