machine learning
Todas las noticias con este tag.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 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. | 49 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 1 |
| 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 |
| 3 nov 2026, 11:00 a. m. | 0 |
| 3 nov 2026, 12:00 p. m. | 0 |
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
| 3 nov 2026, 3:00 p. m. | 0 |
| 3 nov 2026, 4:00 p. m. | 1 |
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 | 51 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de machine learning
56 noticias · De más nuevas a más antiguas.
InfoQGoogle lanza la API Tensor LiteRT para construir, personalizar y optimizar modelos de ML para ejecución en dispositivo
Google ha lanzado la API Tensor LiteRT, una API C++ ligera diseñada para construir, personalizar y optimizar modelos de aprendizaje automático para su ejecución directa en dispositivos. Esta API busca resolver los problemas de acoplamiento a *backends* específicos y la dificultad de sincronización entre hardware (CPU, GPU, NPU). La herramienta permite a los desarrolladores definir gráficos de computación en C++ para obtener control total y mejorar el rendimiento en diversas plataformas.
Noticia original
The RegisterLa IA puede ajustar directamente los pesos de otra IA
Científicos del MIT descubrieron que modelos de IA avanzados como GPT-6 Astra pueden reescribir directamente los pesos de otros modelos de IA, alterando su comportamiento sin necesidad de entrenamiento tradicional. Esta técnica, denominada Programación del Espacio de Pesos, permite a la IA razonar sobre sus propios pesos para optimizarlos. Los investigadores esperan que esto mejore la comprensión de los modelos y permita la auto-mejora recursiva.
Noticia original
arXiv Computer Science AIAgentes de borrador, no solo tokens: Mejora recursiva especulativa para sistemas agentes
Se propone Speculative Recursive Self-Improvement (SpecRSI), un marco de dos niveles que combina la búsqueda de agentes en el bucle interno con el aprendizaje del mejorador en el bucle externo. Este método busca mejorar agentes mediante revisiones sucesivas, asegurando que se utilicen solo versiones evaluadas para avanzar. Los resultados demuestran que SpecRSI supera a MetaRSI-v1 en puntuación del sistema y mejora la ganancia terminal en optimización científica.
Noticia originalLa distancia no es suficiente: La brecha de alineación olvido-retención predice la robustez de los LLM
Se propone la Brecha de Alineación Olvido-Retención (FRAG) como un predictor libre de entrenamiento para evaluar la alineación entre el olvido y la retención en actualizaciones de modelos de lenguaje grandes (LLM). Se argumenta que la selectividad de los pesos es un mejor indicador de robustez que la distancia global. Se introduce el Poda Olvido-Retención (FRP) para mejorar la robustez del reaprendizaje basado en el principio de afectar pesos críticos para olvidar y preservar los críticos para retener.
Noticia originalAprovechamiento de habilidades de agentes: Patrones arquitectónicos y una arquitectura de referencia para agentes basados en habilidades
Se identifican patrones arquitectónicos y una arquitectura de referencia para el aprovechamiento de habilidades en agentes basados en LLM. Se revisaron 36 sistemas y 51 artículos académicos para derivar estos patrones. La arquitectura de referencia organiza las responsabilidades en cuatro capas y dos sustratos transversales para gestionar el suministro, la ejecución y la revisión de habilidades.
Noticia originalRobustez adversaria del direccionamiento de activación en Modelos de Lenguaje Grandes
Se evaluó la robustez del direccionamiento de activación en Modelos de Lenguaje Grandes frente a perturbaciones adversarias en la entrada. Los resultados indican que la robustez direccional disminuye hasta un 64% y la confianza cae significativamente tras los ataques. Se concluye que la selección de capas es frágil y las estrategias actuales no son robustas para su implementación práctica.
Noticia originalDegeneración espectral de la auto-atención bajo geometría de puntuación isotrópica
Se estudia la estructura espectral de la matriz de auto-atención en modelos Transformer mediante un modelo espectral idealizado. El modelo reemplaza la orientación aleatoria de la matriz de puntuación por su representante singular canónico. Los resultados demuestran que el mapa softmax transforma esta estructura en una matriz de atención degenerada, preservando modos dominantes y concentrando los modos restantes en cero.
Noticia originalDatos alineados pueden inducir desalineación mediante confusión de contexto
Se identifica el fenómeno de confusión de contexto en modelos de lenguaje grandes, donde la alineación en un contexto puede provocar un comportamiento desalineado en otro dominio. Esto ocurre porque las consultas de diferentes dominios pueden activar características aprendidas durante el ajuste fino, transfiriendo el comportamiento a un contexto donde resulta inapropiado. Se concluye que es crucial realizar evaluaciones exhaustivas de alineación post-entrenamiento debido a la dificultad de predecir el estado de alineación solo con los datos de entrenamiento.
Noticia originalPlanificación de Frontera Generativa para el reclutamiento por referidos
Se propone la Planificación de Frontera Generativa (GFP) para optimizar la asignación de presupuestos en programas de referidos entre pares, buscando maximizar el reclutamiento de poblaciones de alto riesgo para enfermedades infecciosas. El modelo aprende la capacidad de referencia y las covariables del referente para mejorar la eficiencia de los programas. Los resultados indican que GFP puede reclutar hasta un 21.5% más individuos que los métodos de referencia por pares existentes con el mismo presupuesto.
Noticia originalOptimización de política proximal para muestreo discreto amortizado
Se presenta un artículo que explora algoritmos de gradiente de política para entrenar políticas estocásticas con el marco GFlowNet. El trabajo deriva equivalentes de algoritmos de gradiente de política estándar y aplica la optimización de política proximal a GFlowNets. Esto demuestra una velocidad de convergencia y eficiencia de datos mejoradas en comparación con los objetivos de entrenamiento estándar.
Noticia originalDescubrimiento guiado por conjeturas: SCOPE y ClosureBench
Se presenta SCOPE, un marco que permite múltiples trayectorias de investigación guiadas por conjeturas mediante agentes científicos que modelan ecuaciones y prueban hipótesis. Se introduce ClosureBench, un punto de referencia interactivo para tareas de descubrimiento de cierre, incluyendo métricas para evaluar la fidelidad de la evidencia y la efectividad experimental. SCOPE demuestra una mayor precisión en el descubrimiento de ecuaciones tanto en benchmarks como en casos científicos reales.
Noticia originalFusión temprana de imágenes H&E y transcriptómica espacial a resoluciones variables con aprendizaje auto-supervisado
Se propone una arquitectura de transformador de visión temprana fusión para integrar la transcriptómica espacial con imágenes de todo el portaobjetos, capturando arquitectura morfológica y actividad molecular. El modelo entrenado demuestra que la combinación de ambas modalidades supera el rendimiento de cada modalidad por separado en tareas de predicción de expresión génica.
Noticia originalUsar Geometría de Dirección de Activación para Reducir la Búsqueda de Hiperparámetros
Se presenta un método basado en la geometría de dirección de activación ($d'$) para controlar el comportamiento de los Modelos de Lenguaje Grande (LLM) y reducir la búsqueda de hiperparámetros. El estudio demuestra que $d'$ es eficaz para identificar capas de rendimiento en tareas de respuesta a preguntas de opción múltiple y en la selección de capas para la generación de texto abierto. Se concluye que las conclusiones obtenidas en escenarios de un solo token no siempre son aplicables a la generación de texto abierto.
Noticia originalDistorsión no conformal y reversión de orientación local en el circuito de adición modular en el transformador de Fourier
Se estudia la geometría diferencial local de un circuito de adición modular basado en Fourier en un transformador, analizando la distorsión no conforme y la reversión de orientación local en sus mapas. Los resultados cuantitativos indican una reducción en la magnitud de Beltrami tras el entrenamiento, proporcionando una caracterización de la deformación local en un componente del circuito neuronal.
Noticia originalMixture-of-Models: Inferencia Distribuida sobre LLMs Heterogéneos como Mezcla de Expertos a Nivel de Modelo
Se propone la arquitectura Mixture-of-Models (MoM) como Switch Transformer para escalar la capacidad de los modelos MoE al nivel semántico, componiendo la inferencia a través de LLMs distribuidos entrenados independientemente. El método utiliza un protocolo de Deliberación Auto-Evaluativa N-Way para alcanzar consenso. Los resultados experimentales demuestran que un conjunto de modelos más pequeños puede igualar el rendimiento de un modelo MoE de 120B.
Noticia originalDecodificación del habla interna mediante EEG a través de tres corpus con una arquitectura y protocolo fijos
Se presenta un estudio controlado para decodificar el habla interna mediante EEG utilizando un Transformer dual-atención (VC-DATNet) en tres corpus públicos. Los resultados muestran que el rendimiento depende de la calidad de la señal y el tamaño del conjunto de datos más que de la capacidad del modelo. Se sugiere que la elección de representación debe ser individualizada para mejorar la comunicación no invasiva.
Noticia originalSeleccionar hipótesis generadas por LLM eleva la verdad más allá de lo que espera un panel de LLM
Un estudio preregistrado evaluó sistemas de ideación de LLM para generar hipótesis verdaderas y no obvias en benchmarks como NAS-Bench-201 y HPOBench. Se encontró que un paso de dos etapas, donde se redacta un gran conjunto de afirmaciones y luego se selecciona un subconjunto, incrementa la verdad excesiva. Además, se observó que GPT utiliza eficientemente los resultados de sondas baratas, aunque optimizar el juez de LLM redujo la precisión.
Noticia originalInterFuse: Fusión Adaptativa Guiada por Interacción de Modelos Heterogéneos para la Clasificación de Riesgo de Pago
Se presenta InterFuse, un marco de fusión diseñado para guiar la agregación adaptativa de transacciones mediante la interacción entre modelos heterogéneos. Este método utiliza un estado de fusión compartido derivado de la interacción entre modelos para mejorar la clasificación de riesgo de pago. Los resultados indican que InterFuse supera a las líneas de base existentes, mejorando significativamente el recall y el AUC en múltiples conjuntos de datos.
Noticia originalB[FM]$^2$: Modelo de Fundación Cerebral mediante Flow Matching con SplitUNet
Se presenta B[FM]$^2$, un Modelo de Fundación Cerebral mediante Flow Matching, que aprende representaciones generalizables de EEG a partir de grandes conjuntos de datos para tareas de interfaz cerebro-computadora. Este modelo utiliza *flow matching* de tiempo continuo sin discretización, reduciendo significativamente el presupuesto de preentrenamiento necesario en comparación con modelos anteriores. Además, genera datos EEG sintéticos que son indistinguibles de datos cerebrales reales por expertos.
Noticia original¿Puedes romper RLVER? Explorando la robustez adversaria de agentes empáticos entrenados con RL
Se evalúa el modelo de lenguaje empático entrenado con aprendizaje por refuerzo a partir de recompensas de emoción verificables (RLVER) frente a usuarios simulados. Se introduce la Puntuación de Consistencia Emocional (ECS) para determinar si el modelo mejora el estado emocional sin hacer que el estado del usuario sea más legible. Los resultados muestran que RLVER-PPO-Think supera a la línea de base sin ajustar en detección de intención oculta.
Noticia original