Computación comprimida probablemente no es computación en superposición
¿Es la computación comprimida realmente computación en superposición? Este estudio revela que no, analizando la matriz de mezcla.
#cla
μ0: Un modelo de mundo escalable basado en trazas 3D de interacción
μ0: modelo de mundo escalable que predice trayectorias 3D para robótica sin etiquetas. Ideal para manipulación cross-embodiment.
Modelos de Difusión Recursivos: Colapso y Caracterización Espectral
El entrenamiento recursivo en modelos de difusión converge a una distribución límite. Nuevo estudio revela el colapso y su filtro paso bajo. ¡Descúbrelo!
Optimización de estados cuánticos neuronales con gradiente de fase directo
Descubre cómo el nuevo método de gradiente de fase directo-adaptativo reduce errores en la optimización de estados cuánticos neuronales, mejorando la precisión en sistemas con fase compleja.
Ataques de canal lateral evaden protección en impresoras 3D
Los ataques de canal lateral en impresoras 3D son bloqueados por AMNC en audio, pero las vibraciones revelan información geométrica sensible. Descubre cómo la seguridad se ve comprometida.
Clasificación de espectros astronómicos: PCA, flujo y varianza inversa
Descubre cómo clasificar espectros astronómicos del SDSS usando PCA y LightGBM. Alcanza un 94.6% de precisión identificando estrellas, galaxias y cuásares.
Clasificación de espectros astronómicos con PCA y LightGBM
Descubre cómo combinar PCA y LightGBM para clasificar espectros astronómicos con un 94.6% de precisión. Aplicación en SDSS DR17.
Un marco general para árboles de decisión mediante divergencias de Bregman
Descubre cómo generalizar los árboles CART usando divergencias de Bregman. Un marco unificado para clasificación y regresión con fundamentos convexos.
Clasificación HCQ de Alzheimer con β-VAE supervisado y kernels cuánticos
Pipeline híbrido clásico-cuántico con autoencoder supervisado y kernels cuánticos logra 72% de precisión en Alzheimer en resonancias magnéticas.
Gradient boosting para extremos: teoría de muestreo en seguros
Explora cómo el gradient boosting optimiza la estimación de colas pesadas en seguros. Basado en teoría de muestreo y aplicado a 18,000 reclamaciones médicas.
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.
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.
Generalizando GNNs con mezcla tokenizada de expertos
Descubre STEM-GNN: una nueva arquitectura que generaliza GNNs mediante mezcla tokenizada de expertos, logrando robustez ante cambios de distribución y perturbaciones en 9 benchmarks.
tap: Protocolo basado en archivos para colaboración de agentes LLM heterogéneos
Aprende cómo tap, un protocolo basado en archivos, permite a Claude y Codex colaborar en el mismo código. Mejora la revisión con agentes heterogéneos.
Clasificación por particiones óptima desde datos observables y privados
Descubre cómo lograr tasas de convergencia óptimas en clasificación por particiones con datos observables y privatizados, sin suposiciones restrictivas.
Repensando el Global Average Pooling: clasificador como aprendiz multi-instancia
Los clasificadores con GAP actúan como aprendices multi-instancia. Descubre cómo revelan evidencia espacial incluso en predicciones erróneas.
Chiralidad y correspondencia estructural: Beethoven y ML
¿Sabías que la Sonata Claro de Luna de Beethoven esconde arquitecturas de machine learning? Descubre la chiralidad y correspondencias estructurales.
De modelos auto-supervisados a Mezcla de Expertos para anti-spoofing robusto
Mejora la detección de spoofing con Mixture-of-Experts. Reduce el error en un 11.9% frente a métodos desconocidos.
CottonLeafVision: aprendizaje profundo para detectar enfermedades en algodón
Descubre cómo CottonLeafVision logra un 98% de precisión en clasificación de enfermedades del algodón con explicabilidad y robustez.