Muon supera a Adam: una perspectiva de curvatura
Muon duplica la eficiencia de Adam en LLMs gracias a menor curvatura. Descubre el análisis geométrico detrás de su ventaja.
#aprendizaje profundo
Mejora de MedSAM con predictor de cajas ligero para segmentación médica
Aumenta la precisión de segmentación médica con predictor de cajas ligero integrado en MedSAM. Resultados: Dice 0.89-0.98 en múltiples modalidades.
OA-CutMix: Corrigiendo el sesgo de etiqueta de CutMix
Descubre OA-CutMix: corrige el sesgo de etiqueta en CutMix usando máscaras de segmentación. Mejora la precisión sin modificar la mezcla.
Atención Dual con Signos: Capturando Dependencias en Series Temporales
Descubre cómo la Atención Dual con Signos mejora el pronóstico de series temporales al capturar dependencias positivas y negativas sin parámetros extra.
Heurísticas neuronales admisibles para búsqueda combinatoria
Descubre cómo entrenar redes neuronales que nunca sobreestiman el coste restante, garantizando la optimalidad en puzzles como el cubo de Rubik, reduciendo nodos explorados hasta un 83%.
Comparativa Transformer vs LSTM en predicción de cuencas no aforadas
Descubre por qué LSTM supera a Transformer en predicción de caudales en cuencas no aforadas. Datos aguas abajo mejoran precisión en un 60%.
WISE-HAR: Reconocimiento de Actividades Humanas con WiFi y Deep Learning
Aprende cómo WISE-HAR usa ensemble de CNNs para reconocer actividades humanas con WiFi, logrando un 95% de precisión y robustez en diversos entornos.
RelGT-AC: Transformador Relacional para Autocompletado en BD
Mejora el autocompletado en bases de datos relacionales con RelGT-AC. Supera a modelos baseline hasta +10 AUROC en tareas de elegibilidad. Descubre cómo.
PrimeSVT: Poda Automática con Memoria para Transformers de Visión Spiking
Descubre cómo PrimeSVT automatiza la poda de Transformers de Visión Spiking, reduciendo memoria un 26.68% con mínima pérdida de precisión. Optimiza tus modelos.
Self-Soupervision: Cocinar sopas de modelos sin etiquetas
Descubre cómo Self-Soupervision crea sopas de modelos sin etiquetas, mejorando robustez un +3.5% en ImageNet-C y +7% en LAION-C. ¡Optimiza tus modelos!
Flow Learners para PDEs: hacia un paradigma física-a-física
Los Flow Learners alinean dinámica continua con IA para transformar la simulación de PDEs y cuantificar incertidumbre.
Generación escalable de expresión génica unicelular con difusión latente
Explora scLDM: un modelo de difusión latente que genera expresión génica unicelular escalable con atención cruzada. Ideal para clasificación celular.
Corrección ciega de aberraciones de lente mediante preentrenamiento LensLib
Nuevo marco FoundCAC corrige aberraciones de lente sin referencia, usando preentrenamiento LensLib y prioridades discretas para restauración de imagen superior.
Aprendizaje profundo bilevel para control óptimo de obstáculos
Método S2-FOBA: aprendizaje profundo bilevel de un solo bucle para control óptimo de obstáculos. Eficiente, sin malla y escalable a dominios complejos.
Estimación del tiempo de dispersión de FRBs con Transformer multimodal
Nuevo modelo deep learning estima tiempo de dispersión de FRBs con 94% precisión, acelerando análisis astrofísico.
Segmentación eficiente del plexo coroideo en EM con transformers
Descubre cómo un nuevo método basado en SwinUNETR segmenta el plexo coroideo en esclerosis múltiple con alta precisión y reduce el coste computacional un 99%.
Supresión No Máxima Aprendida para Detección 3D
Descubre cómo el filtrado aprendido con atención transformador y GossipNet reemplaza el NMS tradicional para mejorar la detección 3D LiDAR, aumentando mAP y NDS.
AnchorMoE: Clasificación de Series Temporales con MoE Enrutado por Anclajes
Clasificación interpretable de series temporales con AnchorMoE: transparencia ante-hoc sin post-hoc. Ideal para diagnóstico clínico y detección de fallos.
Ultralytics YOLO26: Visión unificada en tiempo real de extremo a extremo
Descubre YOLO26 de Ultralytics: visión unificada sin NMS, entrenamiento optimizado y precisión en tiempo real. Ideal para detección, segmentación y más.
Formalizando el problema de vinculación en visión artificial
Formalizamos el problema de vinculación en visión artificial. Mide la información de vinculación en Vision Transformers para mejorar el reconocimiento.