Pipeline de dos etapas para clasificación detallada de vehículos con Vision Transformers
Nuevo pipeline de dos etapas con Vision Transformers logra 94% de precisión en clasificación de vehículos para seguridad ciclista. Código abierto disponible.
#aprendizaje profundo
Personalizando los sesgos inductivos de la atención softmax con matrices estructuradas
Nuevas funciones de scoring con matrices estructuradas de alto rango mejoran la atención softmax. Ideal para modelos de lenguaje y series temporales.
RAVQ-HoloNet: Compresión Adaptativa de Hologramas con Cuantización Vectorial
Descubre RAVQ-HoloNet, método de compresión holográfica que reduce hasta 33% la tasa de bits y mejora calidad. Ideal para AR/VR de alta fidelidad.
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.
Aprendizaje funcional profundo bayesiano disperso y selección de regiones
sBayFDNN: modelo bayesiano profundo que selecciona regiones funcionales con incertidumbre cuantificada para predicciones en ECG, neuroimagen y wearables.
Codificador/Decodificador que Preserva Geometría en Modelos Generativos Latentes
Descubre cómo un nuevo framework de codificador/decodificador preserva la geometría de los datos, acelerando la convergencia en modelos generativos latentes.
Transcriptómica espacial como imágenes para preentrenamiento a gran escala
Descubre cómo tratar la transcriptómica espacial como imágenes permite preentrenar modelos masivos, mejorando el rendimiento en estudios clínicos y patológicos.
Inferencia bayesiana de difusiones con flujos normalizantes Neural Galerkin
Aprende cómo los flujos normalizantes Neural Galerkin permiten inferencia bayesiana eficiente en difusiones con fronteras inaccesibles.
MeshTok: Tokenización Multiescala Eficiente para PDE Transformers
Descubre cómo MeshTok optimiza la tokenización multiescala para Transformers de PDE, mejorando el equilibrio de eficiencia y precisión en simulaciones.
Reducción simpléctica de modelos mediante autoencoders simplécticos
Descubre cómo los autoencoders simplécticos preservan la estructura de sistemas Hamiltonianos, mejorando la precisión en predicciones a largo plazo.
Escalado de cómputo en tiempo de prueba para ASR con Transformers en bucle
Optimiza el reconocimiento de voz con LARM: un Transformer en bucle que escala el cómputo en tiempo de prueba, mejorando la tasa de error de palabras.
Más allá de simetrías: conectividad lineal vía identificabilidad neuronal
Descubre cómo la identificabilidad de neuronas permite fusionar representaciones sin alineación previa, revelando nuevas conexiones en el deep learning.
Cuantificación multi-dominio y cola larga: alineación y escalado
Descubre EmaQ y EmaQ-LT: cuantificación precisa para redes neuronales con dominios múltiples y desbalance, mejorando la eficiencia en dispositivos limitados.
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
BBOmix: Benchmark para optimización de hiperparámetros en representación biológica no supervisada
Descubre BBOmix, el primer benchmark abierto para optimizar hiperparámetros en representación biológica no supervisada con 105,000 evaluaciones en datos multi-ómicos reales.
Caracterización multigranular de lesiones renales en 3D a partir de TC
Descubre cómo LesionDETR, un modelo DETR modificado, logra caracterizar lesiones renales en 3D con precisión por lesión, mejorando la generación de informes radiológicos estructurados.
Alineación de Atención Enmascarada para Cuantización Sin Datos en ViTs
Descubre cómo MaskAQ utiliza alineación de atención enmascarada para cuantizar Vision Transformers sin datos reales, mejorando la seguridad y el rendimiento.
Escala de datos, complejidad y modalidades en generalización visual
Aprende cómo escala de datos, complejidad y modalidades afectan la generalización visual en IA. Resultados clave de un estudio empírico.
SFMambaNet: Frecuencia Espectral para Poda de Correspondencias
SFMambaNet integra frecuencia espectral y Mamba para poda de correspondencias, superando a métodos GNN con eficiencia lineal. ¡Descúbrelo!
Tráfico como árboles: Marco jerárquico basado en grafos para análisis cifrado
Descubre PTGAMoE: marco jerárquico para análisis de tráfico cifrado que preserva semántica y supera a SOTA.