BRAIN: Razonamiento Bayesiano e Inferencia Activa para Redes 6G
BRAIN utiliza inferencia activa y modelos generativos para lograr una IA causal, adaptativa e interpretable en redes 6G. Supera al DRL en robustez y asignación de recursos.
#aprendizaje profundo
MedicalRec: Recomendador médico para clasificación de imágenes sin reentrenar
Descubre MedicalRec, el sistema que recomienda modelos sin reentrenar para clasificar imágenes médicas. Ahorra energía y logra 75.5% de acierto.
Clasificador de imágenes de documentos históricos escaneados
Descubre cómo un clasificador de imágenes logra 99% de precisión al separar texto, tablas y gráficos en archivos históricos. Ideal para OCR.
Ajuste Secuencial: Distinta Perspectiva sobre Sesgo Espectral en Redes
Descubre cómo el ajuste secuencial ofrece una nueva visión sobre el sesgo espectral en redes neuronales, más allá del análisis de Fourier tradicional.
DiBS: Selección de Ramas Informada por Difusión
Aprende cómo DiBS usa modelos de difusión para guiar ramas en solucionadores simbólicos de Sudoku, reduciendo nodos y retrocesos en instancias complejas.
Atención Consistente en Preguntas Visuales Médicas con Modelos Base
Aprende cómo la atención consistente guiada por modelos base de visión optimiza el diagnóstico en radiografías de tórax con preguntas visuales longitudinales.
Detección de defectos en aisladores con autoencoder guiado por atención y UAV
Descubre AE-YOLO, un nuevo modelo que combinando autoencoder y atención detecta defectos en aisladores con drones, logrando un mAP del 95.1%.
Red de atención de características multiescala para clasificar polímeros con THz
Aprende cómo una red de atención multiescala clasifica polímeros con espectroscopía THz con un 85.2% de precisión para mejorar el reciclaje.
WAV: Enrutamiento Residual de Bloques Multirresolución en Transformers
Mejora el rendimiento de transformers profundos con WAV v1: routing residual multirresolución que reduce pérdida en 48 capas.
WAV: Enrutamiento Residual Multi-Resolución para Transformers Solo-Decodificador
WAV v1 optimiza Transformers profundos con enrutamiento residual multiresolución, reduciendo pérdida en modelos de 48 capas con mínimos parámetros.
MotionEnhancer: difusión video mejora modelos visión-lenguaje en movimiento
Descubre cómo MotionEnhancer usa difusión de video para mejorar la comprensión del movimiento en VLMs, sin parámetros adicionales.
Pronóstico como renderizado: Gaussian Splatting 2D para series temporales
Descubre TimeGS, un innovador marco que transforma el pronóstico de series temporales en un problema de renderizado 2D con Gaussian Splatting, logrando resultados de vanguardia.
CountsDiff: modelo de difusión para generación e imputación de datos de recuento
CountsDiff revoluciona la generación e imputación de datos de recuento con un modelo de difusión para números naturales. Supera a métodos líderes en scRNA-seq. ¡Descubre cómo!
Principios y práctica del aprendizaje profundo de representaciones
Descubre cómo el aprendizaje profundo de representaciones abre la caja negra de las redes neuronales. Principios, teoría matemática y aplicaciones prácticas.
Capturando dinámicas no Markovianas en sistemas estocásticos con flow matching
Aprende cómo el flow matching modela dinámicas no Markovianas en sistemas estocásticos, mejorando simulaciones de partículas brownianas.
Flatland: Las aventuras del descenso de gradiente con pasos grandes
Descubre cómo el descenso de gradiente con pasos grandes opera en el borde de estabilidad, logrando convergencia no monótona y mejorando la generalización.
Construyendo espacios latentes de VAE con topología prescrita
Aprende a construir espacios latentes de VAE con topología prescrita, resolviendo el desajuste topológico y mejorando la calidad de reconstrucción en datos no euclidianos. Resultados superiores.
Más allá de los regímenes lineales: Autoencoders con cuello de botella
Descubre cómo el análisis de campo medio explica el entrenamiento de autoencoders no lineales con cuello de botella y su convergencia al óptimo.
Falsificador de pares de transición para seguimiento de estados no abelianos
Nuevo falsificador de transiciones logra predicción perfecta de estados no abelianos en secuencias de hasta 1M tokens.
Trio: Pronóstico de series temporales con atención y prioridades causales
Descubre Trio, un innovador modelo que combina atención temporal-espacial-muestral y prioridades causales para mejorar la precisión en el pronóstico de series temporales multivariables.