Condensación de grafos textuales: selección de texto y coincidencia de atributos
Descubre TAGSAM, el método que condensa grafos con texto al 1% sin perder precisión y con un 4.9% más de exactitud. Optimiza tus modelos de IA.
#aprendizaje automático
Poblaciones neuronales: selectividad divergente con la escala
Un estudio revela cómo las neuronas en modelos de IA se vuelven más especializadas y menos compartidas a medida que crece el tamaño del modelo. Descubre el efecto de polarización neuronal.
Precondicionador de dos mallas para flujo subterráneo con red híbrida de atención
Precondicionador de dos mallas y red híbrida de atención aceleran simulación de flujo subterráneo en medios de alto contraste, mejorando precisión.
Redes neuronales equivariantes de grupoides y álgebroides de Lie
Explora los fundamentos teóricos de las redes convolucionales equivariantes de Lie. Una nueva perspectiva para modelos invariantes a simetrías.
Procesos Gaussianos Derivativos Escalables con Reducción Exacta de Gradientes
Descubre TERA, un método que acelera procesos Gaussianos derivativos en altas dimensiones sin perder precisión. Ideal para simulaciones costosas.
Contribuciones de nodos por trayectoria y límites de controlabilidad estática
Analizamos la nueva métrica 'contribución emergente' para medir la influencia de nodos en redes complejas. ¿Cuándo supera a la controlabilidad estática?
Funciones Neurales de Navegación para Planificación de Movimiento Zero-Shot
Descubre cómo las funciones de navegación neural permiten planificar movimiento en entornos nuevos sin reentrenamiento, con trayectorias libres de colisiones y convergencia al objetivo.
Bregman y Lévy: Descenso de espejo estocástico con ruido de cola pesada
¿Puede el descenso de espejo estocástico converger con ruido de cola pesada? Sí, usando procesos de Lévy. Optimización robusta para IA y cloud.
Predicción explicable de avances científicos con redes de conceptos
Un modelo explicable predice avances científicos analizando redes de conceptos con precisión superior. Clave para estrategias de I+D basadas en datos abiertos.
Ajuste de instrucción visual alinea modalidades por abstracción
Descubre cómo el ajuste visual alinea imágenes y texto en modelos de lenguaje, optimizando el rendimiento multimodal sin aumentar el tiempo de entrenamiento.
Neuronas QIF mejoran el descenso por gradiente en redes de picos
Las neuronas QIF ofrecen paisajes de pérdida menos fragmentados y superan a las LIF en descenso por gradiente exacto. Descubre los resultados.
Generación de medidas rectificables con redes neuronales
Descubre cómo las redes neuronales ReLU aproximan medidas rectificables con error mínimo en distancia de Wasserstein, mejorando tasas según el parámetro m.
Adversarial ML para LLMs: ¿sin avance real?
El Adversarial ML para LLMs no progresa: problemas vagos, complejos y difíciles de medir. Conoce las razones y el riesgo de una década perdida.
ReciNet: Modelado de largo alcance en espacio recíproco para predicción de propiedades cristalinas
Descubre ReciNet, un modelo de IA que predice propiedades cristalinas usando el espacio recíproco con precisión superior en benchmarks de materiales.
Honestidad en bosques causales: ¿cuándo ayuda o perjudica?
¿Sabías que la estimación honesta en bosques causales puede reducir la precisión? Descubre cuándo ayuda y cuándo perjudica en más de 7,000 conjuntos de datos.
Predicción rápida y expresiva de múltiples bytes con circuitos probabilísticos
Descubre cómo MTPC acelera LLMs con circuitos probabilísticos, logrando rapidez y expresividad sin pérdida de calidad.
Mejorando la seguridad de las interfaces cerebro-computadora
Modelo ligero de CNN mejora la robustez de interfaces cerebro-computadora ante ataques adversarios. Asegura un despliegue confiable.
CL-DMDF: Fusión Dinámica de Datos Multimodales con Aprendizaje Contrastivo
Descubre cómo CL-DMDF mejora la fusión de datos multimodales con aprendizaje contrastivo y atención adaptativa, superando la falta de modalidades.
Calibración contextual multimodal: qué conservar antes de fusionar
Descubre cómo calibrar señales multimodales antes de fusionarlas mejora el rendimiento en reconocimiento de emociones, detección de eventos y más.
Algoritmo multifidelidad adaptativo para aprendizaje automático eficiente
Descubre cómo nuestro algoritmo adaptativo multifidelidad reduce hasta 30 veces los costos de generación de datos en química cuántica, mejorando la eficiencia del machine learning.