Aprendizaje de operadores de colisión en plasma con simuladores diferenciables
Aprende cómo simuladores diferenciables infieren operadores de colisión en plasmas a partir de datos de espacio de fase, mejorando precisión y eficiencia.
#aprendizaje automático
Matching deriva-difusión en redes neuronales asimétricas
Descubre cómo las RNN asimétricas modelan dinámicas complejas con drift-diffusion matching, aplicado a memorias asociativas y episódicas.
Generación procedural de sonidos de motor con anotaciones de control
Descubre cómo generar datasets de sonidos de motor con anotaciones precisas. Ideal para entrenar modelos de IA en diseño de sonido automotriz.
GenSpan: Prioridades de movimiento para múltiples verbos en video
Aprende cómo GenSpan utiliza calibración de movimiento para recuperar momentos en video con múltiples verbos, mejorando precisión y reduciendo costos.
Transiciones de fase del transformador ruidoso en dimensión arbitraria
Nuevo estudio revela transiciones de fase en el modelo de transformador ruidoso para cualquier dimensión. Implicaciones para la teoría de atención en IA.
SARAF: Predicción de series temporales con recuperación estacionaria
SARAF mejora precisión y robustez en pronósticos de series temporales no estacionarias, equilibrando relevancia y diversidad en la recuperación.
Completación de Matrices Distribucionales de Bajo Rango
Descubre cómo completar matrices de distribuciones de probabilidad usando técnicas de bajo rango y embeddings kernel. Un nuevo enfoque con garantías estadísticas.
Aprendizaje informado por derivadas de funcionales de intercambio-correlación
Descubre cómo el nuevo método DI-Loss reduce en un 66% el error de energía y acelera hasta un 50% las iteraciones SCF en funcionales XC aprendidos.
PE-MHL: Capas Híbridas Modulares Codificadas con Física
Descubre PE-MHL: capas híbridas modulares que combinan física y datos para aprendizaje escalable de sistemas complejos. Precisión, robustez y mejor generalización.
Aprendizaje offline-online en bandidos lineales
Descubre cómo nuestro algoritmo combina datos offline y exploración online en bandidos lineales para minimizar el arrepentimiento. Resultados empíricos demuestran su eficacia.
Folded Transport MCMC: Inferencia Bayesiana para Modelos Simétricos
Descubre cómo FolT-MCMC certifica inferencias en modelos bayesianos simétricos, reduciendo multimodalidad hasta 145x. Aplicación en datos de tifón.
Pruebas de redes neuronales guiadas por Bayes en paisajes de decisión
Descubre cómo BayesWarp mejora el testing de redes neuronales, descubriendo fallos diversos con cercanía a datos originales. Aumenta fiabilidad.
Optimización minimax guiada por literatura para neuroestimulación en epilepsia
Descubre cómo la literatura guía la optimización minimax para neuroestimulación en epilepsia, mejorando el peor caso un 39.8% con simulaciones.
Revisión de amplificación de privacidad por submuestreo en DPSGD selectivo
Descubre cómo el nuevo algoritmo DPSR-CG logra privacidad diferencial rigurosa sin sacrificar el rendimiento del modelo en aprendizaje automático.
Capacidades y limitaciones de redes neuronales reales en espacios complejos
Descubre la relación asintótica entre capacidades de redes neuronales reales y complejas en espacios complejos usando la fórmula HCIZ.
DPDL: Privacidad diferencial en aprendizaje descentralizado con datos no IID
DPDL protege tu privacidad en aprendizaje descentralizado con datos no IID mediante calibración y ruido gaussiano. Logra velocidad lineal y alta precisión.
LimiX-2M: Mitigando colapso de bajo rango y cuellos de botella
Descubre LimiX-2M, un modelo de 2M parámetros que supera a alternativas más grandes mediante tokenización avanzada y enrutamiento optimizado. Reduce costos y mejora precisión en datos tabulares.
HalfNet: Redes Neuronales Aleatorias con Geometría de Subespacio
Descubre HalfNet, la red neuronal que aprende la geometría de sus pesos aleatorios. Reduce parámetros sin perder precisión en MNIST y CIFAR-10.
ALINC: Clasificación de Nodos Inductiva con Muestreo de Grafos
ALINC optimiza la clasificación de nodos inductiva seleccionando grafos completos. Ideal para química y diseño electrónico. ¡Aumenta tu eficiencia!
Reconciliando causalidad y termodinámica con modelos causales hamiltonianos
Nuevos modelos causales hamiltonianos reconcilian causalidad y termodinámica de no equilibrio. Aprende cómo miden la irreversibilidad en sistemas físicos.