Ponderación Inversa y Edad de la Información para DFL con Recepción Parcial
DFL-AA combina ponderación inversa y edad de la información para eliminar sesgo y obsolescencia en aprendizaje federado descentralizado con redes inalámbricas.
#aprendizaje
Calibración epistémica en clasificación de segundo orden
¿Son fiables las incertidumbres de los modelos? La calibración epistémica revela fallos que la calibración clásica ignora. Aprende sobre el nuevo error EECE.
¿Podemos confiar en nuestros modelos? Calibración epistémica
¿Confías en la incertidumbre de tu IA? La calibración epistémica revela si es fiable. Descubre el nuevo error EECE para clasificación de segundo orden.
Brecha modal en HAR ZSL: entrenamiento contrastivo y prototipos optimizados
Alinea sensores IMU y texto con entrenamiento contrastivo y prototipos optimizados para lograr 73% de precisión en HAR zero-shot.
Entrenamiento contrastivo y prototipos para cerrar brecha modal HAR zero-shot
El entrenamiento contrastivo y prototipos optimizados cierran la brecha modal en HAR zero-shot, logrando 73.2% de precisión en clases no vistas.
MODIP: Optimización eficiente basada en modelos para políticas de difusión
Aprende cómo MODIP optimiza políticas de difusión con modelos predictivos y control de trayectorias. Resultados superiores en D4RL y RoboMimic.
¿Cuándo predicen bien los modelos autorregresivos ondas sísmicas?
Descubre cómo los modelos autorregresivos predicen ondas sísmicas de forma estable. La predicción multi-token es clave.
MODIP: Optimización Basada en Modelos para Políticas de Difusión
MODIP optimiza políticas de difusión con modelos del mundo, mejorando el aprendizaje robótico. Resultados competitivos en D4RL y RoboMimic.
XtrAIn: Atribución de características mediante oclusión guiada por entrenamiento
XtrAIn reemplaza la oclusión por actualizaciones de parámetros, reduciendo sesgos y drift. Logra explicaciones más estables y limpias para modelos de IA.
XtrAIn: Oclusión guiada por entrenamiento para atribución de características
XtrAIn: método de atribución basado en entrenamiento que evita sesgos y genera explicaciones estables. Ideal para modelos de IA y diagnósticos médicos.
Conservación de leyes por simetría de datos en redes neuronales
Descubre cómo las simetrías en los datos pueden generar cantidades conservadas durante el entrenamiento de redes neuronales con pérdida MSE. Un análisis profundo de las redes tensorizables.
Actualización bayesiana con flujo de partículas neuronal poblacional
Descubre cómo el flujo de partículas neuronal poblacional mejora la actualización bayesiana con codificación de conjuntos profundos para transporte más preciso.
Flow-DPPO: Optimización de Política Proximal con Divergencia para Modelos Flow
Flow-DPPO mejora la generación de imágenes y video con RL online y restricción de divergencia, superando al ratio clipping. ¡Descubre cómo!
Kernels flexibles para predicción de propiedades proteicas
Descubre cómo los kernels flexibles con procesos Gaussianos y matrices de sustitución mejoran la predicción de propiedades proteicas, superando a modelos de fun
GRAFT: Adaptadores Recalibrados por Ganancia para Modelado Neuronal
Descubre GRAFT, el modelo que marca un nuevo SOTA en modelado neuronal con capacidad de recalibración entre días.
Explorando el diseño de retropropagación de recompensa para Flow Matching
Descubre FlowBP, un nuevo marco que optimiza la retropropagación de recompensa en modelos de Flow Matching, mejorando la alineación sin saturar la memoria.
k-Vecinos Más Cercanos en el Espacio de Gromov-Wasserstein
Aprende a clasificar grafos con k-NN usando distancia Gromov-Wasserstein. Consistencia universal probada.
Convergencia casi exponencial en clasificación kNN con Margen Boltzmann
Descubre cómo el nuevo margen Boltzmann logra tasas de convergencia casi exponenciales en clasificación kNN. Supera limitaciones de márgenes clásicos. ¡Lee más!
IA no supervisada para tomografía STEM-EDX en memorias de cambio de fase
Aprendizaje profundo no supervisado permite reconstrucción 3D de mapas elementales en tomografía EDX de ángulo limitado, superando artefactos sin datos previos.
Acelerando optimización SAV con Hessiana de bajo rango aleatorizada
N-RSAV acelera la optimización SAV con Hessiana de bajo rango aleatoria. Logra convergencia más rápida en PINNs y problemas mal condicionados.