Beamforming Híbrido Robusto con GNN y CSI Generativo y Denoising
Descubre cómo las GNN y modelos generativos basados en puntuaciones mejoran el beamforming híbrido al generar y limpiar CSI, logrando mayor robustez en comunicaciones inalámbricas.
#aprendizaje profundo
Repensando Transformers: de escala a expresividad estructurada para CTR
Descubre cómo FAT revoluciona la predicción de CTR con expresividad estructurada: +4.38% AUC y +2.33% CTR en producción.
Evaluación sistemática de características tiempo-frecuencia para SSL binaural
Descubre cómo la selección de características tiempo-frecuencia optimiza la localización binaural. Estudio con CNN revela combinaciones clave.
Paso Polyak estocástico protegido para optimización no suave
Nuevo método SPS protegido para optimización no suave en redes neuronales. Convergencia robusta sin gradientes pequeños. ¡Mejora tu entrenamiento!
HyperDet: Detección 3D con nubes de puntos de radar 4D hiper
Descubre cómo HyperDet permite la detección de objetos 3D usando solo radar 4D, mejorando nubes de puntos ruidosas sin necesidad de LiDAR.
SmartThinker: Calibración Progresiva de Longitud CoT para Razonamiento Eficiente
SmartThinker calibra la longitud de cadena de pensamiento logrando hasta 52.5% de compresión y mejora de precisión en modelos de lenguaje grandes.
AdaGrad++ y Adam++: métodos adaptativos simples sin parámetros
Descubre AdaGrad++ y Adam++: algoritmos adaptativos sin parámetros que ofrecen convergencia garantizada. Optimiza deep learning sin ajustes manuales.
Clasificación multi-cáncer con redes Kolmogorov-Arnold interpretables
Descubre MOGKAN, una red profunda interpretable que logra 96.28% de precisión en clasificación de 31 tipos de cáncer usando datos multi-ómicos y redes PPI.
AdaptiveK: Autoencoders Dispersos por Complejidad
AdaptiveK ajusta dinámicamente la esparcidad según la complejidad semántica, mejorando interpretabilidad y reconstrucción de modelos de lenguaje.
VMDNet: Predicción de demanda eléctrica sin fuga temporal
Mejora la precisión en predicción de demanda eléctrica con VMDNet, evitando fuga temporal mediante descomposición variacional y TCN.
Encadenamiento de GNN 2-FWL para alineamiento de grafos combinatorio
Descubre cómo el encadenamiento de GNNs 2-FWL revoluciona la alineación de grafos, superando métodos clásicos como FAQ en precisión y robustez.
Benchmarking actual frena el progreso en deep learning para series temporales
Descubre por qué los benchmarks actuales frenan el avance real en deep learning para series temporales y cómo una tarjeta de modelo puede cambiarlo.
Vulnerabilidades en explicaciones para clasificadores de series temporales
Descubre cómo un ataque dual manipula predicciones y explicaciones en clasificadores de series temporales, desafiando la confianza en la estabilidad explicativa.
SEMixer: Mezclador MLP semántico para pronóstico a largo plazo
Descubre SEMixer, un modelo ligero que integra semántica multiescala para mejorar el pronóstico de series temporales a largo plazo. Resultados destacados en el CCF AlOps Challenge.
Marco APTF: Entrenamiento consciente de predecibilidad en series temporales
Mejora el pronóstico y clasificación de series temporales con APTF, un marco que identifica muestras de baja predecibilidad y las penaliza progresivamente.
Modelado Inverso Codificado con Física para Predicción de Nieve Ártica
Descubre el modelo inverso PhysE-Inv que combina LSTM y física para predecir nieve ártica, reduciendo errores un 24.7%.
ELF: Familia de modelos ECG-Lenguaje sin codificador
Descubre ELF, una familia de modelos ECG-Lenguaje sin codificador que supera a modelos complejos con arquitecturas más simples. ¡Resultados impresionantes!
Modelos de Equilibrio Profundo Consistentes
Descubre cómo los Modelos de Equilibrio Profundo Consistentes (C-DEQ) aceleran la inferencia hasta 20 veces sin perder precisión. Un avance en IA eficiente.
Guía de Recompensa con Muestras Anticipadas para Escalado de Modelos de Difusión
Aprende cómo LiDAR acelera 9.5x la guía de recompensa en modelos de difusión, mejorando la alineación con intenciones humanas.
Adaptación de Ruido Semi-Supervisada: Transferencia desde Dominio Ruidoso
Descubre cómo la adaptación de ruido semi-supervisada (SSNA) utiliza ruido sintético para mejorar la generalización de modelos de aprendizaje automático. ¡Optimiza tu rendimiento!