machine learning
Todas las noticias con este tag.
Ver estadísticas de este tema
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 3 nov 2026, 2:00 a. m. | 0 |
| 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 |
| 3 nov 2026, 5:00 p. m. | 0 |
| 3 nov 2026, 6:00 p. m. | 0 |
| 3 nov 2026, 7:00 p. m. | 0 |
| 3 nov 2026, 8:00 p. m. | 0 |
| 3 nov 2026, 9:00 p. m. | 0 |
| 3 nov 2026, 10:00 p. m. | 0 |
| 3 nov 2026, 11:00 p. m. | 0 |
| 4 nov 2026, 12:00 a. m. | 0 |
| 4 nov 2026, 1:00 a. m. | 0 |
| 4 nov 2026, 2:00 a. m. | 32 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 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 |
| 2026-11-04 | 32 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de machine learning
88 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIFree Draft-and-Verification: Hacia un Decodificado Paralelo sin Pérdida para Modelos de Lenguaje de Difusión
Se presenta el algoritmo Free Draft-and-Verification (FreeDave), un método de decodificación rápida y sin entrenamiento para Modelos de Lenguaje de Difusión (dLLMs). Este algoritmo busca acelerar la inferencia mediante la verificación rigurosa de predicciones de tokens futuros, logrando una aceleración algorítmicamente sin pérdida. Las evaluaciones demuestran que FreeDave puede aumentar el número de tokens generados y los tokens por segundo significativamente, manteniendo la calidad de la generación.
CausalBind: Modelado Causal y Aprendizaje para Cribado Virtual de Proteínas-Moléculas
Se propone CausalBind, un modelo causal para el cribado virtual de proteínas-moléculas, enfocándose en los patrones de interacción dispersos en lugar de estructuras globales. Los experimentos demuestran que las variantes del modelo superan a las líneas base y generalizan bien a divisiones de datos fuera de distribución. El trabajo aborda la identificación de conceptos latentes en la interacción proteína-molécula.
¿Quién construyó este modelo? Trazando el linaje de los LLM a través de huellas dactilares espectrales en el espacio de pesos
Se investiga el linaje de los Modelos de Lenguaje Grandes (LLM) de código abierto mediante el análisis de sus huellas dactilares en el espacio de pesos. Se propone un marco geométrico para distinguir entre modelos de diferente origen y aquellos con bases compartidas. Los experimentos demuestran que la geometría del espacio de pesos ofrece una señal robusta para la discriminación del linaje del modelo.
¿Qué tan profundos son los GPs profundos realmente? Un umbral agudo y un límite no gaussiano para los GPs composicionales
El artículo estudia el comportamiento límite de los priori en modelos bayesianos profundos, específicamente cuando cada capa es un proceso gaussiano valorado vectorial. Se establecen nuevos resultados sobre un umbral de ancho de banda crítico para determinar si el priori degenera, y se demuestra que existen límites no triviales y no gaussianos para estos priori.
Capa de dispersión auditable y garantizada por conservación, probada teóricamente en teoría de juegos sobre los caminos de razonamiento de LLM
Se propone la capa de dispersión Deposon para abordar la falta de un registro auditable en los caminos de razonamiento de LLM. Esta capa vincula nodos del grafo de descomposición de conceptos a un estado Deposon y utiliza dispersión de tres canales. Los resultados indican que la capa es indistinguible de un filtro de regla trivial en pruebas reales, sugiriendo que el valor diferencial reside en la verificabilidad por máquina.
Pérdida Log-Correntropía Adaptativa para Aprendizaje Robusto bajo Ruido No Gaussiano
Se propone la Pérdida Log-Correntropía Adaptativa (ALCL) para mejorar la robustez del aprendizaje profundo frente a ruido no gaussiano. Esta pérdida aprende dinámicamente sus parámetros de robustez durante la optimización, superando a pérdidas estáticas como el MSE. Los experimentos demuestran que ALCL ofrece mejor fidelidad de reconstrucción y mayor precisión de clasificación en entornos de alto ruido.
Repensando el paradigma no supervisado en la detección de anomalías de series temporales
Se investiga la detección de anomalías en series temporales (TSAD) comparando modelos no supervisados con modelos supervisados minimalistas. Los resultados empíricos sugieren que los modelos supervisados minimalistas alcanzan una precisión comparable o superior a alternativas no supervisadas complejas. Se concluye que la utilización de etiquetas es beneficiosa cuando están disponibles, complementando la complejidad algorítmica.
Geometría compartida como piedra Rosetta: Alineación intermodal sin datos emparejados
Se demuestra que los modelos entrenados independientemente pueden alinear representaciones de diferentes modalidades sin necesidad de datos emparejados. El método GeoWarP logra alinear conjuntos de incrustaciones mediante la estimación de un mapa ortogonal sin pares. Estos resultados indican que los modelos a menudo comparten suficiente geometría para establecer correspondencia intermodal con poco o ningún dato emparejado.
Escalando el razonamiento de grafos en modelos de lenguaje con codificaciones posicionales de grafos aprendibles
Se propone mejorar los Modelos de Razonamiento de Lenguaje (LRM) añadiendo codificaciones posicionales de grafos escalables y equivariantes para modular los logits de atención. Este método elimina la necesidad de descripciones serializadas de adjacencias, reduciendo la carga del contexto a $O(N)$. El modelo entrenado muestra mejor generalización en tareas de teoría de grafos y produce menos tokens que los LRM convencionales.
Los prompts estructurados mejoran la evaluación de los modelos de lenguaje
Un estudio de benchmarking se realizó para cuantificar cómo la elección del prompt afecta los resultados de los modelos de lenguaje (LMs) evaluados bajo el marco HELM. Se encontró que el prompting estructurado mejora el rendimiento en promedio un 6% y altera los rankings en las tablas de clasificación en varios benchmarks. El estudio demuestra que la elección del prompt tiene un impacto material en los resultados de los modelos de lenguaje.
Importar lo necesario: Aprender cuándo y cómo aumentar los gráficos de EHR con conocimiento externo
Se propone ReTA, un marco basado en aprendizaje por refuerzo para aumentar los gráficos de registros de salud electrónicos (EHR) con conocimiento externo. Este marco busca mejorar la predicción longitudinal al abordar la escasez de datos y la irregularidad de las trayectorias de los pacientes. Los experimentos demuestran que ReTA supera a las líneas de base existentes manteniendo la eficiencia y ofreciendo patrones de aumentación interpretables.
Modelos del mundo equivariantes de flujo: Memoria estructurada para entornos dinámicos
Se presenta el Modelado del Mundo Equivariante de Flujo, un marco que utiliza simetrías parametrizadas por el tiempo en una memoria latente para predecir dinámicas de manera estable y precisa a largo plazo. Este enfoque busca superar las limitaciones de los modelos existentes al mantener la coherencia de la información sobre regiones no observadas a medida que avanza el tiempo. Los resultados demuestran la superioridad de este marco sobre arquitecturas de modelos del mundo actuales en benchmarks de modelado de video.
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.
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.
Agentes 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.
La 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.
Aprovechamiento 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.
Robustez 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.
Degeneración 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.
Datos 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.