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 |
|---|---|
| 8 nov 2026, 4:00 a. m. | 0 |
| 8 nov 2026, 5:00 a. m. | 0 |
| 8 nov 2026, 6:00 a. m. | 0 |
| 8 nov 2026, 7:00 a. m. | 0 |
| 8 nov 2026, 8:00 a. m. | 0 |
| 8 nov 2026, 9:00 a. m. | 0 |
| 8 nov 2026, 10:00 a. m. | 0 |
| 8 nov 2026, 11:00 a. m. | 0 |
| 8 nov 2026, 12:00 p. m. | 0 |
| 8 nov 2026, 1:00 p. m. | 0 |
| 8 nov 2026, 2:00 p. m. | 0 |
| 8 nov 2026, 3:00 p. m. | 0 |
| 8 nov 2026, 4:00 p. m. | 0 |
| 8 nov 2026, 5:00 p. m. | 0 |
| 8 nov 2026, 6:00 p. m. | 0 |
| 8 nov 2026, 7:00 p. m. | 0 |
| 8 nov 2026, 8:00 p. m. | 0 |
| 8 nov 2026, 9:00 p. m. | 0 |
| 8 nov 2026, 10:00 p. m. | 0 |
| 8 nov 2026, 11:00 p. m. | 0 |
| 9 nov 2026, 12:00 a. m. | 0 |
| 9 nov 2026, 1:00 a. m. | 0 |
| 9 nov 2026, 2:00 a. m. | 33 |
| 9 nov 2026, 3:00 a. m. | 0 |
| 9 nov 2026, 4:00 a. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 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 |
| 2026-11-05 | 0 |
| 2026-11-06 | 28 |
| 2026-11-07 | 0 |
| 2026-11-08 | 0 |
| 2026-11-09 | 33 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de machine learning
149 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIDatos 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.
Planificación 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.
Optimización 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.
Descubrimiento 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.
Fusión 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.
Usar 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.
Distorsión 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.
Mixture-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.
Decodificación 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.
Seleccionar 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.
InterFuse: 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.
B[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.
¿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.
WaiT para la señal: Acoplamiento de flujo consciente de la frecuencia
Se presenta WaiT, un Transformer de imagen consciente de la wavelet diseñado para mejorar la calidad de la generación de imágenes al manejar la jerarquía de frecuencias. Este modelo aborda las limitaciones del *flow matching* estándar al separar la generación en bandas gruesas y finas mediante wavelets sin pérdida. Los resultados demuestran que WaiT alcanza un FID de 1.43 en ImageNet 512x512 y establece un nuevo estado del arte en fidelidad de textura.
Modelado generativo con flujos continuos: Complejidad de muestra del Flow Matching
Se presenta un análisis libre de minimizador de riesgo empírico para el Flow Matching, abordando el error estadístico de muestra finita y el error de optimización empírica de tiempo finito. El estudio demuestra una garantía con alta probabilidad sobre el conjunto de datos de entrenamiento finito y en expectativa sobre la aleatoriedad del gradiente estocástico. El resultado separa el error de aproximación, el error estadístico y el error de optimización.
Distilación de auto-enseñanza consciente de la búsqueda con alineación de hermanos para recomendación generativa
Se propone un marco llamado SA-OPSD para mejorar la supervisión del entrenamiento en la recomendación generativa mediante la transferencia de conocimiento del auto-maestro a los estados visitados durante la búsqueda en haz del estudiante. Se introducen técnicas como el Muestreo de Límite Evolutivo y la Destilación de Rama Desacoplada por Confianza para manejar desafíos relacionados con la retención de estados y las preferencias de las ramas competidoras. Los experimentos realizados en diferentes dominios demuestran un fuerte rendimiento del método propuesto.
Detección de fraude en el espacio de representación mediante un marco bayesiano IRL
Se audita la detección de fraude en el espacio de representación utilizando un marco bayesiano para evaluar detectores de sistemas de recomendación. Se demuestra que un detector basado en una representación invariante no puede superar la probabilidad contra ataques que imitan perfiles orgánicos. El rendimiento del detector colapsa ante ataques de mimetismo de donante, lo que sugiere que la representación es el factor limitante, no el ataque.
Aprendiendo a evolucionar mediante la coincidencia de velocidades
Se presenta una nueva técnica llamada Velocity Matching (VM) para superar las limitaciones de los objetivos basados en trayectorias en el aprendizaje de sistemas dinámicos no lineales. VM es un objetivo libre de simulación que utiliza interpolación lineal por partes y colocación estocástica para aproximar el riesgo de la población de velocidad. El trabajo demuestra que VM mejora la precisión sobre los métodos basados en trayectorias al evitar el costo de simulación y las inestabilidades de recorridos largos.
El valor de primer orden de covariables libres en el monitoreo de riesgo presupuestado
Se estudia cómo gestionar el presupuesto de etiquetas para detectar rápidamente un aumento de riesgo mientras se controlan las falsas alarmas. Se demuestra que ciertas reglas pueden detectar cambios en las entradas de manera eficiente, incluso cuando el riesgo permanece por debajo de un umbral de seguridad. Los experimentos sugieren que las covariables libres pueden ahorrar rondas al calibrar el presupuesto en la fuente de datos.
WebHarbor: Entornos de sitios web ejecutables para entornos de agentes GUI en evolución
Se presenta WebHarbor, un conjunto de 153 entornos de sitios web ejecutables y dockerizados diseñados para proporcionar entornos realistas y estables para el entrenamiento y evaluación de agentes GUI. Esta plataforma permite la reconstrucción fiel de interfaces y flujos de trabajo funcionales de servicios web reales bajo control determinista. Se demuestra que un agente GUI entrenado con RL en WebHarbor generaliza bien a tareas no vistas, superando a agentes de código abierto en varios benchmarks.
- Zhaoyang Wang
- Qianhui Wu
- Boyu Gou
- Demi Wang
- Jiacheng Zhang
- Peichun Hua
- Qize Li
- Shi Qiu
- Yifan Jiang
- Yifan Zhang
- Zexu Jin
- Baolin Peng
- Bolin Shen
- Chetan Bansal
- Dehan Kong
- Deren Lei
- Dongshen Peng
- Fengqing Jiang
- Hao Cheng
- Haoqing Wang
- Jiaming Shan
- Jicheng Wang
- Jingguang Zhou
- Jixuan He
- Kaide Zeng
- Kangyu Zhu
- Lama Moukheiber
- Mufan Qiu
- Peng Xia
- Qihan Sun
- Qingwei Lin
- Qiushi Sun
- Ruichen Zhang
- Shuqing Luo
- Si Qin
- Sicheng Fan
- Tao Xiong
- Wenlin Yao
- Xinyu Zhang
- Xinyue Zeng
- Xuanrui Li
- Xuchao Zhang
- Yian Wang
- Yichao Liu
- Yiming Liang
- Yiyang Zhou
- Yizhu Jiao
- Yuetai Li
- Yurun Chen
- Yuxuan Zhang
- Zheyuan Yang
- Zhiyuan Yao
- Zhongyang Li
- Zihao Li
- Zili Wang
- Jianfeng Gao
- Huaxiu Yao