ConTex reformula la generación de contrafactuales para la predicción de series temporales como un problema de intervención globalmente consistente. Logra validez de última generación con intervenciones dispersas e interpretables, reduce el costo computacional entre 12 y 36 veces, y permite inferencia en tiempo real en aproximadamente 0.007 segundos.
ScaFE reposiciona los grandes modelos de lenguaje como ingenieros de características para la clasificación de cicatrices, generando código Python ejecutable a partir de criterios clínicos para extraer características interpretables. El marco logra un rendimiento superior con datos limitados, preserva la privacidad al procesar las imágenes localmente y produce características fundamentadas en la clínica alineadas con sistemas de puntuación establecidos como la Escala de Cicatrices de Vancouver.
NoiseTilt introduce NTRK, un muestreador de difusión guiado por recompensa que inyecta gradientes de recompensa a través del término de ruido sin alterar el kernel inverso. Al utilizar un operador de blanqueo, NTRK sesga de forma segura el ruido hacia la alta recompensa, preservando la calidad de la muestra mientras mantiene una fuerte guía. En la generación estética, NTRK logra un rendimiento de recompensa superior con 25 NFEs, reduciendo el cómputo en 20× en comparación con las líneas base más avanzadas.
Los modelos generativos de Volterra proponen un marco basado en puntuación de tiempo continuo que utiliza núcleos fraccionarios para inyectar ruido dependiente de la trayectoria, evitando el enmascaramiento sin memoria en los modelos de difusión tradicionales. El enfoque introduce elevaciones markovianas de dimensión finita y demuestra cotas de error cuadrático, mostrando una generación mejorada en MNIST y potencial para imágenes naturales, con un muestreador de puente que mejora la estabilidad para modelos más grandes.
TSCD utiliza matrices de covarianza de datos observacionales e intervencionales para identificar estructuras causales en modelos de ecuaciones estructurales lineales sobre DAGs. Requiere únicamente ruido no correlacionado y logra órdenes y parámetros causales identificables con conteos logarítmicos de intervenciones, escalando a cientos de variables mientras permanece robusto al ruido y competitivo frente a métodos existentes.
El artículo establece que el índice \mathbb{Z}_2\ está acotado superiormente por una función lineal del número de replicabilidad de lista. Demuestra una fuerte separación entre el sign-rank y el índice \mathbb{Z}_2\, y muestra que la replicabilidad de lista está acotada superiormente por la altura y el número mínimo de estrellas, con un resultado de composición para el producto de clases de conceptos.
El proyecto llama.cpp ha lanzado la versión b9829, que incluye una reducción de la salida de registros en el servidor, componentes comunes y módulos de decodificación especulativa. Esta actualización también estandariza las convenciones de nomenclatura reemplazando CMN_ por COM_.
Edge Flow es un modelo de tiempo continuo tratable y predictivo que captura la dinámica del descenso del gradiente en el borde de la estabilidad. Descompone la dinámica en dirección central, oscilación y magnitud, con autoestabilización de la nitidez emergente a partir de retroalimentación acoplada. El modelo requiere solo dos evaluaciones del gradiente y un producto Hessian-vector por iteración y supera a los modelos anteriores en el seguimiento de las oscilaciones y la explicación de inestabilidades en EoS.
Un modelo de selección latente jerárquico muestra que el ajuste fino supervisado y el aprendizaje por refuerzo trabajan juntos para habilitar la generalización composicional en modelos de lenguaje. El SFT proporciona materiales de módulos crudos, mientras que el RL identifica y recombina módulos atómicos a partir de trazas compuestas para resolver nuevos problemas. Entrenar en trazas compuestas conduce a una generalización más fuerte que el entrenamiento de módulos aislados, y se encuentra un protocolo efectivo donde el SFT asegura la cobertura de módulos y el RL impulsa la exploración de composiciones novedosas.
S4oP introduce un método de poda incremental a nivel de operador para los modelos S4 y S4D, reduciendo el costo de inferencia hasta en un 70% mientras se mantiene el rendimiento predictivo. El enfoque combina enmascaramiento estructurado con ajuste fino y rastrea conjuntamente la precisión y la latencia, permitiendo el despliegue eficiente de SSMs en dispositivos con recursos limitados.
OmniPlan introduce un marco adaptativo que convierte las intenciones del usuario en lenguaje natural en preferencias cuantificables utilizando un modelo de lenguaje grande. Selecciona dinámicamente entre expertos de programación entera mixta, heurísticas y aprendizaje por refuerzo profundo para lograr tanto la oportunidad como la casi-optimalidad en la planificación de redes. Las evaluaciones en cargas de trabajo de aprendizaje automático distribuido muestran una reducción de latencia de hasta el 97,8% y un consumo de recursos un 11,5% menor.
Este artículo propone SD-ZFS, un marco de aprendizaje por refuerzo profundo adaptado de S2V-DQN, para resolver el problema NP-duro del conjunto mínimo de forzamiento cero en grafos no dirigidos. El marco demuestra un rendimiento fuerte en comparación con las soluciones óptimas y las heurísticas voraces, mostrando una generalización efectiva, escalabilidad y transferencia a través de diversas estructuras de grafos.
El artículo presenta un marco para el aprendizaje por refuerzo multiobjetivo con múltiples políticas que aprende un conjunto de políticas óptimas de Pareto garantizando equidad entre diversas preferencias de usuarios. Demuestra que las políticas justas permanecen dentro del conjunto de cobertura convexa para funciones de bienestar cóncavas y propone tres algoritmos que incorporan dinámicas de política no estacionarias y estocásticas. Los resultados empíricos muestran que estos métodos aprenden eficazmente políticas justas adaptables a diferentes preferencias de usuarios.
Ternary Mamba logra una compresión de 3.61x de Mamba-2, pasando de 2,687 a 744 MB mediante entrenamiento con conciencia de cuantificación agrupada y destilación de conocimiento. Alcanza una precisión zero-shot del 48.1% en 7 tareas con 102M tokens, igualando a Bi-Mamba dentro de 0.9 puntos porcentuales, mientras evita el costoso entrenamiento desde cero.
La interpolación de triple llave de Handlebars no protege contra la inyección de rol estructural, ya que el escape de HTML solo neutraliza los delimitadores de corchetes angulares. Deja intactos los delimitadores de dos puntos y de hash de Markdown, lo que permite a los atacantes secuestrar el comportamiento del modelo. El escape predeterminado no proporciona protección para la mayoría de los esquemas de delimitador de rol y no puede reemplazar una clara separación de instrucciones y datos.
Este artículo describe un flujo de trabajo orientado a sistemas para el aprendizaje automático embebido en dispositivos de clase microcontrolador. Detalla decisiones clave de ingeniería como la muestreo de datos, extracción de características, validación del desbalance de clases, co-diseño modelo-runtime y despliegue en streaming, utilizando el reconocimiento de movimiento inercial y la detección de palabras clave como estudios de caso. El trabajo proporciona reglas prácticas de diseño para una inferencia robusta en dispositivo, incluyendo curación de datos, cuantización, umbralización, programación y monitoreo en campo.
La memoria flash de un robot se degrada con cada escritura, formando un activo no renovable. Un modelo de precios consciente del desgaste utiliza un precio sombra $η$ para guiar la colocación de la memoria entre RAM, NVM y la nube, con el enrutamiento óptimo dependiendo de si el valor de la tarea aumenta con la persistencia de la memoria. El signo de la asociación valor-escritura $χ$ varía según el despliegue: positivo en manipulación de largo horizonte, nulo en tareas de corto horizonte y negativo en teleoperación. El presupuesto de resistencia es vinculante solo en memoria QLC/eMMC de gama baja, y aunque el enrutamiento consciente del desgaste se alinea con el valor de la tarea, las mejoras reales de rendimiento permanecen sin verificar en los datos.
Se construyó un conjunto de datos con verdad fundamental de 2,076 oraciones anotadas por humanos procedentes de 83 informes complejos de CTI y se asignaron a 114 técnicas de ATT&CK con \k{appa} = 0.68 de acuerdo entre anotadores. Se evaluaron siete LLMs de código abierto que oscilan entre 8B y 236B parámetros, alcanzando una puntuación F1 micro-promediada máxima de 0.22. El tamaño del parámetro mostró una correlación positiva estadísticamente significativa con la puntuación F1, mientras que la estrategia de prompt y la temperatura no produjeron mejoras significativas, lo que indica que los LLMs actuales de código abierto son insuficientes para la clasificación de ATT&CK de grado de producción.
Un nuevo método de cuasilinealización convexa, LiL-Q, resuelve EDP no lineales reduciéndolas a subproblemas lineales mediante redes neuronales informadas por física. LiL-Q converge en iteraciones de un solo dígito en siete puntos de referencia, alcanzando precisión de máquina cuando la solución exacta está en el espacio de prueba, y requiere hasta dos órdenes de magnitud menos de parámetros que los solucionadores PINN estándar.
Se introduce un modelo de ecuación diferencial estocástica para el aprendizaje TD(0) lineal bajo ruido markoviano. Separa la dinámica de contracción de los efectos de muestreo y explica el piso de error mediante la interacción entre la covarianza a largo plazo y la geometría del operador de Bellman proyectado.