Hacia un modelo fundacional de física
Descubre GPhyT, el primer modelo fundacional de física que aprende dinámicas complejas sin ecuaciones, superando a arquitecturas especializadas en múltiples dominios.
#aprendizaje automático
Destilación de Grandes Modelos de Lenguaje con Puntuación Concreta
Descubre CSD, técnica de destilación que evita suavizado softmax y optimiza logits, mejorando modelos de lenguaje grandes. Ideal para IA eficiente.
HRTFformer: Transformer espacial para upsampling de HRTF
Descubre cómo HRTFformer, un transformer consciente del espacio, revoluciona el upsampling de HRTF para audio inmersivo realista con alta precisión y fidelidad.
MADPO: Optimización Adaptativa de Preferencias por Márgenes
Descubre MADPO, un método que utiliza un modelo de recompensa para ajustar dinámicamente el aprendizaje en la optimización de preferencias, superando las limitaciones de DPO.
Aprendizaje para medir: Adquisición activa de características en contexto
Descubre L2M: un método de meta-aprendizaje para adquirir características en contexto, mejorando modelos con datos escasos.
La geometría del grokking: minimización de norma en la variedad de pérdida cero
Descubre cómo la minimización de norma en la variedad de pérdida cero explica el fenómeno grokking: generalización tardía tras memorización.
Flow Matching para reducción de escala de precipitación convectiva
Descubre cómo flow matching mejora la reducción de escala de precipitación convectiva, superando a modelos de difusión en precisión espacial. Ideal para proyecciones climáticas de alta resolución.
El redondeo estocástico aumenta los valores singulares pequeños
El nuevo estudio muestra que el redondeo estocástico regulariza todo el espectro de valores singulares, no solo los más pequeños.
Predicción espectral para acelerar cálculos electrónicos a gran escala
Acelera cálculos de estructura electrónica a gran escala con predicción espectral basada en datos. Modelos de machine learning optimizan iteraciones SCF en BigDFT, reduciendo tiempo y recursos.
Optimización estocástica riemanniana para reducción suficiente de dimensión
Aprende cómo SMAVE optimiza la reducción de dimensionalidad con gradiente riemanniano estocástico, superando a RMAVE en velocidad y precisión.
Predicción Conformal Online sin Parámetros y Condicional por Grupos
Nuevo método de predicción conformal online sin parámetros para cobertura justa por grupos en entornos cambiantes. ¡Mejora la fiabilidad de tus modelos!
Convergencia de métodos de gradiente estocástico bajo ruido de cola pesada
Descubre cómo SGD y SMD convergen en expectativa bajo ruido de cola pesada sin modificaciones. Nuevos resultados revelan su potencial.
Factorización de Tucker Neural Guiada por Espectro
Descubre SG-NTF, un innovador método de factorización de Tucker guiado por espectro para completar tensores de alta dimensión e incompletos con eficiencia paramétrica.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Generación de Estructuras de Complejos Metálicos con Difusión en Variedades
Descubre cómo TMCgen, un modelo de difusión en variedades, genera geometrías precisas de complejos metálicos para catálisis y diseño de fármacos. ¡Aprende más!
Marco ligero híbrido basado en MLP para detectar URLs de phishing en tiempo real
Descubre cómo un marco híbrido ligero basado en MLP detecta URLs de phishing en tiempo real con un 99% de precisión y latencia de solo 1.2 ms.
ML para homogeneizar materiales hiperelásticos con microestructuras booleanas
Descubre cómo una red neuronal predice parámetros de Lamé en materiales hiperelásticos con microestructuras booleanas. Modelo sustituto eficaz.
Midiendo la tasa de intercambio simetría-datos
Estudio revela que un prior de simetría erróneo perjudica el aprendizaje más que no tenerlo. Además, aumento de datos con promediado iguala modelos equivariante
Ajuste de ejemplos a clases lógicas en estructuras infinitas
Descubre cómo determinar si un conjunto de datos se ajusta a una hipótesis lógica en estructuras infinitas. Análisis de complejidad y uso de consultas naturales para clasificar muestras.
Acelerando la inversión de ondas con redes híbridas cuántico-clásicas
Acelera la inversión de ondas con redes híbridas cuántico-clásicas: errores más bajos en 8x menos iteraciones y menos parámetros.