La versión b9830 de llama.cpp introduce la capacidad de usar la bandera --offline con el comando llama download, permitiendo que los scripts verifiquen los modelos en caché sin acceso a la red. Esta actualización también resuelve una vulnerabilidad latente de uso después de liberar (use-after-free) en el callback on_done de la tarea URL, donde first_path se capturaba incorrectamente por referencia.
Esta revisión describe los métodos computacionales de 2022 a 2025 para detectar múltiples cánceres a partir de ADN libre de células basado en sangre. Evalúa la fragmentómica y el análisis epigenético, abarcando enfoques estadísticos, de aprendizaje automático y de aprendizaje profundo, con un enfoque en la interpretabilidad biológica, la validación y la preparación clínica. Los métodos de conjunto multimodal muestran la mayor promesa para el uso clínico, pero se necesitan protocolos de evaluación estandarizados para una comparación confiable y el progreso futuro.
Los modelos de visión cuántica exhiben una mejor generalización con mayor entrelazamiento o ruido cuántico, fenómenos unificados por la dimensión efectiva del kernel de características cuánticas moldeado por el ruido. Esta dimensión actúa como un mecanismo de regularización en regímenes de sobreajuste, con el amortiguamiento de amplitud mejorando la precisión de prueba hasta un 13% a lo largo de una curva invertida en forma de U.
Proponemos un método de evaluación fuera de política para MDPs de horizonte finito con recompensas que faltan no al azar. Nuestro enfoque utiliza un modelo de propensión dependiente de la recompensa y una función puente para recuperar las recompensas medias condicionales sin modelar el mecanismo MNAR, logrando consistencia y cotas de error en muestras finitas. Los experimentos en datos simulados y de Sepsis MIMIC-III muestran un rendimiento superior frente a métodos existentes.
Este estudio analiza y evalúa algoritmos de detección de deriva conceptual a través de múltiples categorías utilizando conjuntos de datos de streaming sintéticos y del mundo real. Examina las características de la deriva y evalúa el rendimiento de los detectores bajo escenarios de deriva abrupta y gradual para mejorar la comprensión del comportamiento de la deriva y la aplicabilidad de los detectores.
MAMO introduce un enfoque de aprendizaje por refuerzo multiagente para abordar el desafío de equilibrar la minimización de costos y la satisfacción de restricciones en entornos dinámicos. Desacopla la ejecución de tareas de la selección de pesos de recompensa, tratando la elección de pesos como un problema de aprendizaje para permitir soluciones más autónomas y robustas.
El Moldeado de Incrustaciones de Frontera (BES) aborda el entrelazamiento estructural de grafos suprimiendo selectivamente las correlaciones espurias de vecinos cerca de las fronteras de clase. BES utiliza aprendizaje contrastivo adaptativo para mejorar la discriminación de fronteras, mejorando la clasificación de nodos GCN en un promedio del 3.3% (hasta un 5.0% en WikiCS) y logrando una precisión superior en la predicción de enlaces.
Un usuario en los foros de Hugging Face está preguntando si es posible recuperar su cuenta, identificando específicamente el nombre de usuario "zhoucantd". La publicación indica un hilo de discusión que involucra a dos participantes respecto a esta solicitud.
Un nuevo concepto llamado UCTF (Universal Compressed Training Format) propone una capa mediadora para abordar la redundancia semántica en el entrenamiento de LLMs multilingües, comprimiendo diversos idiomas en un formato de token unificado e independiente del idioma.
Un usuario informa que su widget de chatbot de IA, anteriormente funcional en su sitio web, ha dejado de funcionar debido a un error de política CORS tras una actualización reciente de Gradio. El error indica que el encabezado 'Access-Control-Allow-Credentials' en la respuesta está vacío, lo cual entra en conflicto con el modo de credenciales de la solicitud del cliente.
Este artículo sostiene que los grandes modelos de lenguaje derivan su aparente inteligencia de las profundas relaciones geométricas y estados ocultos dentro del propio lenguaje, en lugar de provenir de un cálculo mecánico independiente o de una simple predicción de tokens.
El marco VibrantForests utiliza datos de satélite entrenados con muestras de lidar para generar mapas anuales, continuos y de cobertura total del dosel, altura, biomasa, área basal y diámetro medio cuadrático a una resolución de 10 metros en los Estados Unidos contiguos. Mejora la precisión al reducir la sobreestimación en bosques dispersos y la subestimación en bosques densos, extendiendo el rango de predicciones confiables más allá de los modelos tradicionales de sensores pasivos.
SLiR permite relajaciones lineales sólidas y ajustadas de funciones de activación generales utilizando únicamente constantes de Lipschitz o puntos críticos. Logra hasta 7.8x más propiedades de verificación que los métodos de última generación al calcular eficientemente cotas superiores e inferiores mediante un procedimiento de desplazamiento.
El artículo examina la desviación del aprendizaje profundo de las intuiciones estadísticas clásicas, enfatizando las leyes de escalado de las redes neuronales y su interacción con las restricciones físicas y los sesgos inductivos en las aplicaciones del aprendizaje automático.
Un enfoque basado en modelos genera familias de entornos de aprendizaje por refuerzo utilizando un algoritmo genético híbrido. Las variantes del entorno se crean mediante transformaciones de modelos guiadas por un motor de transformación de modelos de última generación, lo que permite un desarrollo escalable y resistente a errores. El método se valida en escenarios de mitigación de incendios forestales y aprendizaje por currículo.
Una única red neuronal recurrente ReLU con pesos fijos y dimensión oculta puede aproximar uniformemente cualquier función continua en [-1,1] a medida que aumenta su tiempo de ejecución. Esto se logra mediante un nuevo modelo, la máquina de Turing con unidades neuronales (TMNU), que equilibra la flexibilidad algorítmica con una simulación acotada por RNNs. Las tasas de convergencia coinciden con las tasas de aproximación polinomial, y los límites inferiores minimax confirman que el tiempo de ejecución es un recurso esencial e ineludible.
QCPIKAN es la primera red de Kolmogorov-Arnold de física informada cuántico-clásica diseñada para resolver ecuaciones diferenciales parciales. Utiliza capas KAN basadas en polinomios de Chebyshev y circuitos cuánticos parametrizados para incrustar restricciones físicas durante el entrenamiento, logrando convergencia exponencial del error y reducción de la dispersión numérica. Validado en escenarios de filtración en medios porosos, supera a las redes neuronales cuántico-clásicas existentes en precisión de predicción, control de errores y seguimiento dinámico.
Un nuevo marco de modelado híbrido utiliza datos genómicos y redes neuronales para predecir parámetros biocinéticos en modelos de rotación de materia orgánica del suelo. Incorpora restricciones ecológicas para garantizar una dinámica microbiana realista, incluso para variables no observadas, y supera a los métodos existentes tanto en conjuntos de datos sintéticos como reales con mínimos datos de entrenamiento.
Una versión cuántica del anillo de reducción total reduce la comunicación por enlace por un factor de dos utilizando entrelazamiento y codificación superdensa, sin alterar los cálculos del modelo o de los gradientes. Logra una agregación segura desde el punto de vista teórico de la información mediante entrelazamiento verificado, con una sobrecarga de 2x en copias GHZ, y proporciona ventajas de comunicación exponenciales en la detección de conflictos de gradientes para tareas específicas de auditoría.
El artículo presenta un algoritmo de Q-learning robusto para problemas de control de campo medio en tiempo discreto con incertidumbre de Wasserstein en ruido común. Combina cuantificación y proyección con una reformulación dual de Wasserstein y establece convergencia con cotas de tiempo finito tanto para esquemas síncronos como asíncronos. Los experimentos numéricos en modelos de riesgo sistémico y epidemias demuestran la compensación entre robustez y rendimiento, así como la convergencia de la implementación asíncrona.