aprendizaje profundo
Todas las noticias con este tag · Estados Unidos.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 2 nov 2026, 10:00 a. m. | 0 |
| 2 nov 2026, 11:00 a. m. | 0 |
| 2 nov 2026, 12:00 p. m. | 0 |
| 2 nov 2026, 1:00 p. m. | 0 |
| 2 nov 2026, 2:00 p. m. | 0 |
| 2 nov 2026, 3:00 p. m. | 0 |
| 2 nov 2026, 4:00 p. m. | 0 |
| 2 nov 2026, 5:00 p. m. | 0 |
| 2 nov 2026, 6:00 p. m. | 0 |
| 2 nov 2026, 7:00 p. m. | 0 |
| 2 nov 2026, 8:00 p. m. | 0 |
| 2 nov 2026, 9:00 p. m. | 0 |
| 2 nov 2026, 10:00 p. m. | 0 |
| 2 nov 2026, 11:00 p. m. | 0 |
| 3 nov 2026, 12:00 a. m. | 0 |
| 3 nov 2026, 1:00 a. m. | 0 |
| 3 nov 2026, 2:00 a. m. | 16 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 0 |
| 3 nov 2026, 6:00 a. m. | 0 |
| 3 nov 2026, 7:00 a. m. | 0 |
| 3 nov 2026, 8:00 a. m. | 0 |
| 3 nov 2026, 9:00 a. m. | 0 |
| 3 nov 2026, 10:00 a. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-05 | 0 |
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 16 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de aprendizaje profundo
16 noticias · De más nuevas a más antiguas.
arXiv Computer Science AISAMP: Priorización de Margen Autoadaptativa para Marcado de Agua de Difusión Robusto
Se presenta SAMP, un marco autoadaptativo para el marcado de agua en modelos de difusión, que ajusta la fuerza de incrustación y la prioridad de optimización de las dimensiones del marcado de agua. Este enfoque busca mejorar la robustez del marcado de agua al adaptar la fuerza de incrustación según la separación de códigos y priorizar dimensiones vulnerables a perturbaciones. Los resultados experimentales muestran mejoras significativas en la precisión de recuperación de información y en métricas como PSNR y LPIPS.
Noticia originalMarco de detección de defectos fotovoltaicos autoevolutivo
Se propone SEPDD, un marco de detección de defectos fotovoltaicos autoevolutivo para escenarios industriales en evolución. Este marco optimiza la tubería de entrenamiento y evaluación mediante un mecanismo que reoptimiza el proceso ante indicadores de fallo o cambio en el entorno. Los experimentos demuestran que SEPDD supera a las líneas base existentes en la detección de defectos en conjuntos de datos públicos y privados.
Noticia originalMezcla de capas: Enrutamiento de capas dinámico para el razonamiento visual
Se propone Mixture of Layers (MoL), un enfoque de enrutamiento de capas condicionado por instrucciones a nivel de parche para agregar dinámicamente representaciones latentes de capas intermedias del codificador de visión. Este método busca mejorar el acceso a características visuales específicas para el razonamiento visual de grano fino en Modelos de Lenguaje Grande Multimodales (MLLMs). Los experimentos muestran mejoras significativas en tareas de razonamiento visual, superando a los MLLMs de referencia sin aumentar la complejidad de la entrada.
Noticia originalPrompting espectral latente para el seguimiento de objetos multimodal
Se propone SProTrack, un marco multimodal que transfiere conocimiento temporal de rastreadores RGB preentrenados al dominio hiperespectral mediante prompting espectral latente. Este enfoque desacopla el modelado temporal de la adaptación espectral, permitiendo aprender información hiperespectral de forma auto-supervisada. Los experimentos demuestran que SProTrack logra el mejor rendimiento general en todos los dominios espectrales.
Noticia originalEarthJev: Respuestas calibradas y no generativas a preguntas en lenguaje natural sobre cobertura terrestre Sentinel-2
Se presenta EarthJev, un modelo de 0.8B de parámetros diseñado para responder preguntas sobre parches de Sentinel-2 multispectrales sin generar tokens. El modelo demuestra una velocidad significativamente mayor que otros modelos multimodales y generativos, alcanzando un 86.0% de precisión en 36,028 preguntas de prueba.
Noticia originalZeroGraph: Entrenamiento por bloques composicional mediante supervisión de límites materializados
Se presenta ZeroGraph, una transformación de sistemas para convertir y destilar modelos preentrenados. Esta técnica materializa la trayectoria de frontera de un modelo profesor congelado como un conjunto de datos versionado para reemplazar las dependencias de gradiente en línea con supervisión persistente. Los experimentos demuestran que esta aproximación puede mejorar la calidad y el uso de contexto en modelos como GPT-2 Large y Qwen2.5.
Noticia originalRazonamiento de nivel de inundación guiado por conocimiento para monitoreo colaborativo en la nube y el borde
Se propone HydroReasoner, un marco de razonamiento visual para la detección de niveles de agua de inundación, diseñado para la colaboración en la nube y el borde. Este modelo mejora el rendimiento de detección en comparación con métodos convencionales al incorporar un grafo de conocimiento para supervisar el proceso de razonamiento. Se implementan optimizaciones como la cuantización de 4 bits para reducir el uso de memoria y la latencia en el despliegue en el borde.
Noticia originalDual Dimensionalidad para Atención Local y Global
Se propone la Representación Adaptativa a la Distancia (DAR) para arquitecturas de atención, donde los tokens locales reciben representaciones de alta dimensión y los distantes reciben representaciones de menor dimensión. Este enfoque busca preservar la capacidad de representación local mientras optimiza la memoria a largo plazo, reduciendo el tamaño de la caché KV durante la inferencia. Los resultados demuestran que este método mejora el rendimiento y reduce significativamente el tamaño de la caché KV en comparación con métodos que reducen la dimensionalidad uniformemente.
Noticia originalRazonamiento basado en conceptos con localización impulsada por prompts para generación de informes estructurados
Se propone el marco CORAL para mejorar la generación de informes médicos mediante un proceso de razonamiento basado en conceptos con localización. Este marco integra la fundamentación espacial y la supervisión a nivel de concepto para lograr una mejor alineación con los procesos de decisión clínica. Los experimentos demuestran mejoras en la precisión diagnóstica y la calidad del informe en comparación con otros modelos MLLM.
Noticia originalPensar antes de localizar: Supervisión de Cadena de Pensamiento Clínica para la localización de imágenes médicas secuenciales
Se investiga si el razonamiento explícito basado en imágenes puede mejorar la localización en modelos vision-lenguaje para imágenes médicas secuenciales. Se introduce el método MedChain y se utiliza supervisión de cadena de pensamiento deliberativa (dCoT-SFT) para mejorar el rendimiento en modelos como Qwen3.5. El modelo de 27B alcanzó un mIoU de 77.24 y un [email protected] de 85.20, superando modelos previos.
Noticia originalOmniOPD: 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.
Noticia originalPensar 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.
Noticia originalCompatibilidad 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.
Noticia originalPoda 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.
Noticia originalLos modelos del mundo no necesitan ser correctos para clasificar políticas
Se investiga si los errores de los modelos del mundo aprendidos pueden preservar las clasificaciones par a par, incluso con valores absolutos deficientes. Se propone el método RAVEL para realizar auditorías selectivas de errores de valor en estos modelos. Los resultados muestran que la fidelidad de la clasificación y la explotación del modelo son propiedades distintas.
Noticia originalVista de la Regla de Renormalización espectral del aprendizaje
Se estudia la convergencia de capas en redes neuronales profundas utilizando ideas de la Regla de Renormalización-Grupo Wilsoniana. Se postula que el exponente $\\alpha=2$ marca el límite entre aprendizaje estable y sobreajuste. Los resultados sugieren una visión de la Regla de Renormalización-Grupo espectral del aprendizaje, indicando que las redes neuronales pueden alcanzar una estructura espectral común.
Noticia original