Este libro tiene como objetivo desmitificar las grandes redes profundas y los modelos generativos, a menudo percibidos como "cajas negras", explorando sus mecanismos internos a través de la lente del aprendizaje de representaciones. Describe cómo se diseñan las arquitecturas de redes neuronales modernas, utilizando la optimización y la teoría de la información.
Este contenido se refiere a un artículo de investigación titulado "Follow the Mean: Reference-Guided Flow Matching". Explora una nueva metodología en modelos generativos.
![Follow the Mean: Reference-Guided Flow Matching [R]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/5pleq5b4861h1.png?width=140&height=91&auto=webp&s=5f80ce290c30e51700f9b9fd0f907ee56e9382b2)
MOLPAQ es un novedoso generador modular cuántico-clásico que crea moléculas interpretables a partir de parches latentes generados cuánticamente, logrando un 100% de validez RDKit y alta novedad y diversidad. Este enfoque mejora significativamente el control de propiedades como QED y la incidencia de motivos aromáticos en comparación con los generadores clásicos.
Esta investigación introduce los Conditional Attribute Transformers, un método novedoso para estimar conjuntamente la probabilidad del siguiente token y el valor de un atributo condicional a cada selección potencial del siguiente token. Este marco permite capacidades críticas como la asignación de crédito por token y el análisis contrafactual en una sola pasada, superando las limitaciones de los modelos generativos tradicionales.
El artículo presenta Dual-Spectral Flow Matching (DSFM), un nuevo marco generativo de fMRI que combina la representación de doble frecuencia de las señales BOLD con la coincidencia de flujo espectral. Este método busca generar series de tiempo de fMRI de alta fidelidad para la identificación de trastornos cerebrales, abordando los desafíos de replicar dinámicas espaciotemporales complejas.
Esta investigación se centra en desarrollar métodos más eficientes para el muestreo de Modelos Probabilísticos de Difusión, con el objetivo de reducir el costo computacional y el tiempo asociados a la generación de muestras de alta calidad. Explora nuevos algoritmos para acelerar el proceso de muestreo manteniendo la fidelidad de los datos generados.
Este artigo descreve um modelo generativo autorregressivo, treinado com dados de mais de 300.000 pacientes, capaz de simular trajetórias contrafactuais clinicamente plausíveis. O modelo foi aplicado a pacientes com COVID-19 para prever resultados com base em parâmetros clínicos alterados, demonstrando seu potencial para medicina personalizada e ensaios in silico.
UI-Oceanus é uma estrutura que escala agentes GUI generalistas, focando em dominar a física da interação através de feedback ambiental em vez de imitar trajetórias. O sistema utiliza exploração autônoma e predição de dinâmicas futuras para construir um modelo de mundo interno robusto, superando limitações de dados e supervisão.