CANN-EUCLID: modelos constitutivos no supervisados con datos de campo completo
Descubre cómo CANN-EUCLID identifica leyes hiperelásticas sin datos de estrés local, usando desplazamientos y fuerzas de reacción. Modelado no supervisado.
#aprendizaje
Cluster LOCO: Importancia de características para interpretar clústeres
Aprende cómo Cluster LOCO mide la importancia de cada característica para interpretar clústeres. Método agnóstico y robusto para análisis de datos.
HumP-KD: Framework híbrido de destilación de conocimiento para clasificación de incendios
Descubre HumP-KD, un framework híbrido de destilación de conocimiento que logra clasificación de incendios precisa y eficiente para despliegue en tiempo real.
Aprendizaje Equivariante con Descomposición Clase-Pose
Descubre cómo descomponer el espacio latente en factores invariantes y de simetría para lograr representaciones equivariantes, interpretables y desenredadas. Aplica a datos con simetrías.
Geometría y Optimización de Redes Convolucionales Polinomiales
Descubre cómo la geometría algebraica revela la expresividad de las redes convolucionales polinomiales y optimiza su entrenamiento.
Exoesqueleto Universal: Políticas de Cuerpo Completo con Retroalimentación de Par
Descubre el UME: exoesqueleto con retroalimentación de par para políticas de cuerpo completo adaptables en tiempo real. Ideal para espacios reducidos.
Recuperación Agéntica Selectiva para Autonomía de Drones con Misión Persistente
Un nuevo marco de recuperación para drones autónomos mejora el éxito de misión del 5% al 95% usando IA agéntica selectiva. Reduce costos y llamadas remotas.
Denoising Score Matching: Características Aleatorias y Difusión
Descubre cómo el número de muestras de ruido y la complejidad del modelo influyen en la generalización y memorización de modelos de difusión. Análisis teórico preciso.
MOSIC: Identificación óptima de subgrupos bajo múltiples restricciones
Descubre MOSIC: un marco que identifica subgrupos óptimos bajo múltiples restricciones, mejorando la fiabilidad en decisiones clínicas. Modelo agnóstico y eficiente.
ChronoID: Señales Temporales Explícitas para Recomendación Generativa
ChronoID integra señales temporales explícitas en IDs semánticos para mejorar la recomendación generativa. Descubre este nuevo framework.
Aprendizaje guiado por fuerza para recuperación de caídas en robots bípedos sin brazos
Descubre cómo los robots bípedos con ruedas pueden recuperarse de caídas sin brazos gracias a un innovador marco de aprendizaje guiado por fuerza. Resultados robustos en condiciones desafiantes.
DIFF-ERO: Función de Pérdida de Conformidad para Minería de Procesos
DIFF-ERO mejora la minería de procesos con una pérdida de conformidad diferenciable. Aprende cómo optimizar modelos predictivos con precisión estructural.
EqCollide: Simulador Equivariante de Objetos Deformables
Descubre EqCollide: simulador neuronal equivariante para objetos deformables con colisiones precisas, reduciendo error hasta 57%.
ODE Jerárquico: Prototipos Físicos Continuos para Detectar Fallos de Enlace
Descubre cómo el modelo ODE jerárquico aprende prototipos físicos continuos para detectar fallos de enlace tempranamente. ¡Optimiza tu red!
PERRY: Evaluación de políticas con intervalos de confianza usando datos auxiliares
Nuevo método PERRY para intervalos de confianza en evaluación de políticas offline con datos auxiliares. Ideal para dominios críticos como salud.
Pix2Pix-Híbrido: síntesis guiada de multitudes del Hajj
Descubre Pix2Pix-Híbrido, un modelo GAN que genera imágenes realistas de multitudes del Hajj para mejorar el conteo de personas y la aumentación de datos.
Aprendizaje activo bayesiano multidimensional en memoria de trabajo
Investigación valida el aprendizaje activo bayesiano multidimensional para evaluar memoria de trabajo en entornos virtuales. Solo 30 muestras son suficientes.
Fusión multi-fidelidad de datos aerodinámicos con autoencoder transfer learning
Fusión de datos multi-fidelidad con autoencoder y transfer learning logra predicciones aerodinámicas precisas con pocos datos e incertidumbre >95%.
Deep Learning y elicitabilidad para MV-FBSDEs con ruido común
Deep learning y elicitabilidad resuelven ecuaciones de McKean-Vlasov con ruido común, sin costosas simulaciones. Aplicaciones en finanzas y economía.
Predicción Privada con Privacidad PAC
Descubre cómo la privacidad PAC permite predicciones privadas con alta precisión y presupuestos ínfimos. Resultados sorprendentes en CIFAR-10 y control de inferencia de membresía.