Annot-Mix: Aprendizaje con etiquetas ruidosas de múltiples anotadores vía Mixup
Annot-Mix mejora el entrenamiento con etiquetas ruidosas de múltiples anotadores vía Mixup. Superior a 11 enfoques en 11 datasets.
#aprendizaje profundo
Similitud funcional con ensamblado consciente de invarianza
Descubre cómo la invarianza en el ensamblado de modelos revela discrepancias funcionales ocultas y mejora la evaluación de similitud en deep learning.
TIDFormer: explotando dinámica temporal e interactiva en grafos dinámicos
Descubre cómo TIDFormer revoluciona el análisis de grafos dinámicos con su mecanismo de atención eficiente e interpretable, superando modelos previos.
Tasas óptimas de generalización del descenso de gradiente en clasificación ReLU profunda
Descubre cómo el descenso de gradiente logra tasas de generalización óptimas en redes ReLU profundas con dependencia polinomial de la profundidad, mejorando resultados previos.
Refinamiento iterativo espectral-desacoplado para predicción de precipitaciones
Descubre SDIR: elimina desenfoque y alucinaciones en nowcasting con refinamiento espectral-desacoplado. Alta precisión y fidelidad.
CRAM-ER: Memoria tolerante a errores para computación en memoria
Descubre CRAM-ER, una arquitectura de memoria RAM spintrónica que acelera redes neuronales con alta eficiencia energética y tolerancia a errores, reduciendo latencia hasta 100 veces.
Cuantificación de incertidumbre escalable en pronóstico de clima extremo con NTK
Mejora la predicción de clima extremo con NTK-UQ: intervalos 31-37% más precisos, adaptativos y sin reentrenamiento.
Fusión de trayectoria de mano para consultas NLQ egocéntricas
Mejora la precisión del grounding en videos egocéntricos con fusión de trayectorias de mano. Resultados en Ego4D: +4.32% en consultas de cantidad/estado.
Percepción autónoma compacta con aprendizaje balanceado y fusión multisensor
Un modelo compacto de percepción autónoma que integra múltiples sensores y aprendizaje balanceado para lograr mayor eficiencia y velocidad de inferencia.
EqGINO: Operadores Neuronales de Fourier con Geometría Equivariante para PDE 3D
Descubre EqGINO, un marco de aprendizaje profundo que garantiza equivariancia geométrica para resolver PDEs 3D en dominios complejos. ¡Mejora la precisión de tus simulaciones!
Red Neuronal de Grafos Multimodal para Clasificación de Alzheimer Preclínico
Red neuronal de grafos multimodal con difusión guiada por Transformer mejora la clasificación del Alzheimer preclínico mediante regiones cerebrales clave.
AugMask: entrenamiento de modelos de difusión con datos tabulares incompletos
Descubre AugMask: entrena modelos de difusión en datos tabulares incompletos con aumento estocástico. Mejora la generación de datos.
Poda de redes neuronales post-entrenamiento con curvatura de grafos
Descubre cómo la curvatura de grafos permite podar redes neuronales sin perder precisión. Técnica innovadora basada en Ollivier-Ricci para identificar conexiones clave.
Composición Secuencial de Grupos: Una Ventana a la Mecánica del Deep Learning
Composición secuencial de grupos: una ventana a la mecánica del deep learning. Descubre cómo redes neuronales aprenden operaciones estructuradas.
Más allá de ReLU: Bifurcación, Sobresuavizado y Prioridades Topológicas
Nueva teoría de bifurcación revela que reemplazar ReLU por activaciones no monótonas evita el sobresuavizado en GNNs profundas. ¡Descubre la solución!
Benchmarking de incertidumbre en clasificación multi-etiqueta de RX de tórax
Evaluamos 13 métodos de cuantificación de incertidumbre en clasificación de radiografías de tórax, desenredando incertidumbres epistémicas y aleatorias.
Ptychografía ciega a la posición: viabilidad con inferencia variacional
Descubre cómo la inferencia variacional con modelos de difusión permite reconstruir imágenes en ptychografía ciega a la posición, incluso con ruido. Resultados prometedores.
Robustez probabilística no paramétrica: estimador conservador de riesgo
Descubre la robustez probabilística no paramétrica (NPPR), una métrica práctica que estima el riesgo de forma conservadora sin necesidad de conocer la distribuc
Surrogados profundos con física para la ecuación de Boltzmann de fonones
Nuevo sustituto profundo con física reduce hasta un 70% los datos de entrenamiento para simular transporte térmico a nanoescala, con errores del 5%. Ideal para diseño de materiales.
Guía del autoestopista: estimación de gradientes Poisson
Descubre cómo estimar gradientes Poisson sin sesgo con el método EAT modificado. Comparativa con Gumbel-Softmax para VAEs y modelos de inferencia neuronal.