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.
#aprendizaje automático
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.
Predicción bajo compresión imperfecta: teoría de MDL aproximado
Descubre cómo la compresión aproximada garantiza predicciones confiables en secuencias, incluso con errores de optimización. Un análisis teórico del MDL.
Optimización de hiperparámetros con costo de muestreo reducido
Los priors informativos reducen hasta un 90% el costo de muestreo en optimización de hiperparámetros, manteniendo la calidad. Un avance para AutoML ecológico.
Histéresis de la utilidad: modelo Preisach para aceptación de trabajos gig
Descubre cómo un modelo de histéresis con IA reduce un 21% la nómina y aumenta un 9.7% la aceptación en economía gig.
Resumen del Desafío de Recuperación Multimodal EReL@MIR 2025 (Track 1)
Descubre los resultados del EReL@MIR 2025: sistemas de recuperación multimodal que combinan texto e imágenes. Conoce a los ganadores y sus innovadoras soluciones.
Benchmark revela limitada generalización en modelos de predicción epítopos TCR
Nuevo benchmark revela limitada generalización de modelos de predicción de epítopos TCR. Descubre por qué se necesitan mejores algoritmos para la inmunología.
Escalando la generación de grafos novedosos con modelos autorregresivos ligeros
Descubre cómo un marco autorregresivo ligero escala la generación de grafos con alta novedad y eficiencia. Ideal para IA y ciberseguridad.
Graph Cascades: reconfiguración mesoscópica para GNNs
Mejora tus GNNs con Graph Cascades: una técnica de reconfiguración mesoscópica basada en difusión por contagio que optimiza la clasificación en grafos homofílicos y heterofílicos.
FLAGG: Generación Autoregresiva Flexible de Grafos
Aprende cómo FLAGG revoluciona la generación de grafos al combinar modelos one-shot y autoregresivos. Supera limitaciones y mejora resultados.
RIDE: Dataset abierto para predecir retrasos de trenes
Explora RIDE, el dataset abierto para predicción de retrasos ferroviarios. Compara redes neuronales, estadísticos y más. ¡Optimiza tus modelos!
Midiendo lo relevante: Benchmarks sintéticos para modelos de cuello de botella
Aprende cómo los benchmarks sintéticos optimizan los modelos de cuello de botella de conceptos para apoyo a la decisión y automatización.
Imputación selectiva con difusión consciente de incertidumbre
Diff-Joint identifica cuándo no imputar datos faltantes con ausencias significativas. Mejora modelos de análisis usando difusión consciente de incertidumbre.