LMM-IR: Marco multimodal consciente de netlist para caída de IR
El framework LMM-IR usa IA multimodal con transformers y nubes de puntos 3D para predecir caída de IR estática en chips. Acelera el diseño al reducir horas de análisis a minutos.
#aprendizaje automático
Las características de agregación fija pueden rivalizar con las GNN
Las FAFs convierten el aprendizaje en grafos en problemas tabulares, rivalizando con las GNNs sin entrenamiento. Mayor interpretabilidad.
Decaimiento a largo plazo de colas de SGD recortado en optimización no convexa
Nuevas cotas muestran que las colas de SGD y SGD recortado decaen exponencialmente más rápido. ¡Garantías a largo plazo mejoradas!
Variance-Gated Ensembles: Marco Epistémico para Incertidumbre
Descubre VGE, un marco innovador para estimar incertidumbre en modelos de ensamble. Eficiente, escalable y con conciencia epistémica. ¡Mejora tu IA!
TIME: La nueva generación de benchmarks de pronóstico de series temporales
Descubre TIME, benchmark de próxima generación para series temporales. 50 datasets, 98 tareas y evaluación zero-shot sin fuga de datos. Explora liderboard.
Regresión polinómica bagged y redes neuronales
Descubre cómo la regresión polinómica en bolsas iguala precisión de redes neuronales en predicción ambiental, con transparencia y diagnósticos intuitivos.
Relación entre CoCoA y ADMM en minimización de riesgo empírico distribuida
Descubre la relación entre CoCoA y ADMM en minimización de riesgo empírico distribuida y por qué ADMM puede superar a CoCoA.
Generación Contextual de Escenarios para Programación Estocástica en Dos Etapas
Aprende cómo la generación contextual de escenarios mejora la calidad de las decisiones en programación estocástica de dos etapas, reduciendo la cantidad de escenarios necesarios.
Modelos sustitutos causales multi-fidelidad para implosiones ICF
Descubre cómo los modelos sustitutos causales multi-fidelidad y el machine learning optimizan diseños en fusión por confinamiento inercial, acelerando descubrimientos y diagnósticos.
Calibración con Flow Matching para Inferencia Basada en Simulación
¿Modelos incorrectos en inferencia basada en simulación? FMCPE usa flow matching para corregir estimaciones con datos de calibración. Mejora tu precisión.
Equipo médico y resultados del paciente: análisis predictivo con IA
Descubre cómo la IA analiza la colaboración entre profesionales sanitarios para predecir la supervivencia del cáncer. Un enfoque innovador basado en datos de EHR.
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.
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.