Análisis Graphop de GNN en Grafos Dispersos: Generalización y Aproximación
Descubre un enfoque unificado de graphop analysis para estudiar la generalización y aproximación universal de redes neuronales en grafos dispersos y densos.
#aproximación universal
Optimización en espacios de polidiscos no arquimedianos
Descubre la optimización en espacios de polidiscos no arquimedianos para datos jerárquicos con propiedades geométricas únicas y un algoritmo en Julia.
Aproximación universal ponderada de mapas diferenciables en variedades de dimensión infinita
Las redes neuronales funcionales ahora pueden aproximar derivadas en variedades de dimensión infinita. Un avance clave para el modelado de sistemas complejos y la ciberseguridad.
Operadores Neurales de Kernel (KNO): aprendizaje de operadores escalable
Descubre los Kernel Neural Operators (KNO): aprendizaje de operadores escalable, eficiente en memoria y flexible en geometrías irregulares.
Generación de medidas rectificables con redes neuronales
Descubre cómo las redes neuronales ReLU aproximan medidas rectificables con error mínimo en distancia de Wasserstein, mejorando tasas según el parámetro m.
Resolviendo ecuaciones diferenciales con deep learning: aspectos prácticos
Aprende a resolver ecuaciones diferenciales con deep learning: redes neuronales, retropropagación y método Deep Galerkin. Sin GPU.