Echo-POSED: Autodestilación Geométrica para Guía en Ecocardiografía
Echo-POSED: framework auto-supervisado para guía en ecocardiografía en tiempo real. Recomienda ajustes de sonda desde imágenes 2D sin etiquetas. Error angular medio de 8.2°.
#auto-supervisado
Aprendiendo el vecindario: Pretraining multimodal libre de contraste molecular
C-FREE integra 2D y 3D en grafos moleculares con pretraining auto-supervisado sin contraste, superando modelos en MoleculeNet.
IdEst: Evaluando Representaciones SSL con Dimensión Intrínseca
Descubre cómo IdEst, basado en dimensión intrínseca, evalúa representaciones SSL de forma eficiente, reduciendo costos computacionales y sin necesidad de etiquetas.
Filtro de Kalman Adaptativo Híbrido para Seguimiento y Clasificación Eficiente
Filtro de Kalman Adaptativo Híbrido con aprendizaje auto-supervisado para seguimiento y clasificación eficiente con pocos datos. Mejora la precisión y robustez.
CoralBay: modelo base de TC con auto-supervisión
Descubre CoralBay, modelo auto-supervisado para TC que aprende representaciones 3D. Mejora el diagnóstico radiológico con un nuevo benchmark.
Dual-Prompt para mitigar sesgos de atributo y estructura en grafos
Descubre cómo ADPrompt adapta GNNs pre-entrenadas con un doble prompting que reduce sesgos de atributo y estructura, mejorando la equidad en clasificación de nodos.
Reactivando tokens de parche para mejorar el probing en audio
El probing con tokens de parche reactivados supera al costoso fine-tuning en clasificación de audio multi-etiqueta. Descubre este nuevo método ligero y eficiente.
BAT: Transformer de Audio mejorado con Probing Convexo de Compuerta
Conoce BAT, el Transformer de Audio que usa Probing Convexo de Compuerta (CGP) para lograr nuevos récords en benchmarks de audio. ¡Entra!
Estimación de profundidad y pose monocular auto-supervisada para endoscopia
Descubre cómo la auto-supervisión con priores latentes mejora la precisión en profundidad y pose para endoscopia, superando desafíos de iluminación y texturas.
Detección contextual de habla para niños en grabaciones largas
Detección contextual de habla infantil en grabaciones largas: modelos auto-supervisados logran +13.8% F1, superando a sistemas basados en reglas en múltiples idiomas.
Aprendizaje auto-supervisado interpretable con Representer Landmarks
Aprende cómo KREPES analiza representaciones de aprendizaje auto-supervisado, detecta sesgos y cuantifica transparencia con nuevas métricas. Perfecto para entender modelos de IA.
CalM: Modelo base auto-supervisado para dinámicas poblacionales en calcio
Conoce CalM, modelo auto-supervisado para dinámicas de población en datos de calcio. Mejora pronóstico y decodificación neuronal.
Generación en un paso: geometría de transporte en espacio semántico
Descubre cómo las representaciones semánticas SSL reducen 39 veces el FID en ImageNet, optimizando la generación en un paso sin métricas hackeadas.
MindZero: Razonamiento Mental Online sin Anotaciones
MindZero revoluciona el razonamiento mental en IA al aprender sin anotaciones. Descubre cómo supera a métodos tradicionales en precisión y velocidad.
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.
SpikeWFM: Modelo Inalámbrico de Fundación para Predicción Robusta
Descubre SpikeWFM, una arquitectura híbrida SNN-ANN que mejora la predicción de canales inalámbricos al ser robusta al ruido y eficiente energéticamente.
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.
Aprendizaje por Refuerzo de Supervivencia: Hacia RL Auto-Supervisado Escalable
Descubre cómo Survival RL supera el dilema del contraste, logrando 2x a 8x mejor rendimiento en robótica de largo plazo. ¡Auto-supervisado y escalable!
Más allá de tokens: calidad RTL con aprendizaje de grafos estructurales
Descubre StructRTL: un nuevo marco de aprendizaje de grafos auto-supervisado que mejora la estimación de calidad de diseños RTL, superando a métodos basados en tokens.
Aprendizaje de representaciones biológicas enmascarando expresión génica
Descubre cómo TxFM, un modelo de autoaprendizaje por enmascaramiento, logra representaciones genómicas de alta fidelidad superando a modelos masivos.