Eventos raros, señales reales: conjuntos funcionales en redes espiga
Descubre cómo los conjuntos funcionales en redes neuronales espiga revelan patrones raros pero cruciales para el procesamiento de información en IA.
#aprendizaje profundo
CLSP-REQA: Predicción de convulsiones en tiempo real con calidad EEG
CLSP-REQA integra evaluación de calidad EEG en tiempo real para predecir convulsiones con alta precisión, superando métodos previos sin adaptación de dominio. ¡Aprende cómo!
Belief2-Attention: mejora en tareas de visión
Descubre cómo Belief2-Attention mejora la atención en visión usando dos componentes para clasificación y segmentación.
Modelos Hoeffding de cuello de botella conceptual para imágenes aéreas
Descubre los modelos Hoeffding de cuello de botella conceptual: explicabilidad no lineal y robusta para imágenes aéreas.
Difusión de imágenes con geometría explícita del manifold de datos
MIND: modelo de difusión con geometría explícita del manifold. Reduce FID a 2.06 con solo 130M parámetros, superando a LlamaGen-3B. ¡Descubre cómo!
CoilDrop-MRI: Reconstrucción MRI auto-supervisada con dropout en bobinas
CoilDrop-MRI: método auto-supervisado para reconstrucción de MRI sin datos completos. Supera a otros con dropout en bobinas, alcanzando calidad de supervisados.
VDSB-GWSyn: Síntesis controlable de guías en angiografía coronaria
Descubre cómo VDSB-GWSyn utiliza Diffusion Schrödinger Bridge para sintetizar guías coronarias realistas, mejorando la localización de puntas en angiografías y la seguridad en PCI robótica.
DiffCrossGait: Alineación Trayectorial para Reconocimiento de Marcha 2D-3D
DiffCrossGait: alineación de trayectorias para reconocimiento de marcha 2D-3D con difusión latente. Logra rendimiento puntero sin sobrecarga de inferencia.
Interpretación de DNNs mediante grupo de renormalización y familia exponencial
Descubre cómo las DNNs entrenadas equivalen al grupo de renormalización en datos de familia exponencial. Una nueva teoría de interpretabilidad.
UF-AMA: marco unificado para reconocimiento multimodal de emociones
Descubre UF-AMA, un marco unificado que integra EEG y eye-tracking para reconocer emociones a través de sujetos y sesiones, logrando rendimiento SOTA.
Mapas de Flujo Estocásticos Fuertes
Descubre cómo los Strong Stochastic Flow Maps revolucionan el muestreo en modelos de difusión, permitiendo generar imágenes y simular sistemas moleculares en pocos pasos.
STARFISH: Recuperación rápida de precisión en redes podadas
STARFISH recupera hasta un 82% de precisión en redes podadas usando solo el 0.4% de imágenes. Supera en un 22% a otros métodos. Descubre cómo optimizar tus modelos.
Repensando los paradigmas de evaluación en entrenamiento certificado IBP
Descubre cómo las fronteras de Pareto y la optimización automatizada revelan rendimientos superiores en entrenamiento certificado.
Predecir fuga anastomótica colorrectal con mapeo vascular e IA
Descubre cómo la IA predice el riesgo de fuga anastomótica colorrectal mediante análisis de TC. Un avance en cirugía de precisión basada en datos.
UR-JEPA: Rectificabilidad Uniforme como Regularizador en JEPA
UR-JEPA logra un 0.83% más de precisión que LeJEPA en Inet10 con menor varianza, y produce representaciones geométricamente distintas.
Límites de la reducción de tokens en entrenamiento visión-lenguaje unificado
¿Cómo acelerar el entrenamiento VLM sin perder sinergia? Descubre la asimetría en atención y los límites de la reducción de tokens. Estrategias clave.
ProbMoE: Enrutamiento Probabilístico Diferenciable para Mixture-of-Experts
ProbMoE: enrutamiento probabilístico para MoE con gradientes exactos y cardinalidad dinámica. Mejora eficiencia y diversidad.
Atajo a ninguna parte: Desmitificando la regresión espuria profunda
La regresión espuria profunda revela cómo los atajos engañan a modelos de IA en predicciones continuas. Aprende a detectarlos y generalizar.
Detección colaborativa de objetos espaciales con múltiples satélites LEO
Aumenta la detección de objetos espaciales un 46% con fusión multivista de satélites LEO. Mejora la seguridad orbital.
Recomendación grupal con finalización de matriz profunda y rango acotado
Descubre cómo Group RC-DMC mejora las recomendaciones grupales usando aprendizaje profundo y restricciones de rango, superando la escasez de datos.