MedicalRec: Recomendador médico para clasificación de imágenes sin reentrenar
Descubre MedicalRec, el sistema que recomienda modelos sin reentrenar para clasificar imágenes médicas. Ahorra energía y logra 75.5% de acierto.
#clasificación de imágenes
Clasificador de imágenes de documentos históricos escaneados
Descubre cómo un clasificador de imágenes logra 99% de precisión al separar texto, tablas y gráficos en archivos históricos. Ideal para OCR.
Análisis mecanicista del ajuste adversarial en Vision Transformers
Estudio mecanicista del ajuste adversarial en Vision Transformers: efecto en robustez, atención y representaciones.
Aprendizaje de representaciones consciente de la iluminación variable
Aprende cómo el modelado explícito de la iluminación mejora el aprendizaje visual, logrando mayor robustez y adaptabilidad en clasificación y detección.
Marco adaptativo de limpieza de datos para etiquetas ruidosas
Descubre un marco auto-adaptativo que integra métricas locales, globales y dinámicas para detectar etiquetas ruidosas sin umbrales manuales, mejorando la precisión del modelo.
GS-KAN: Redes neuronales eficientes con funciones base compartidas
GS-KAN: arquitectura ligera que reduce parámetros drásticamente. Supera a MLPs y KANs en aproximación, regresión y clasificación. ¡Descúbrelo!
ReclAIm: Marco Multiagente para Corrección de Degradación en IA Médica
Descubre ReclAIm, un marco multiagente que monitorea y corrige la degradación del rendimiento en modelos de IA para imágenes médicas.
Importancia de múltiples semillas de entrenamiento en desaprendizaje automático
Descubre por qué usar múltiples semillas de entrenamiento es crucial para evaluar correctamente el desaprendizaje automático. No te fíes de una sola semilla.
Reevaluando el aprendizaje continuo con pocos ejemplos
La evaluación con pocos ejemplos revela nuevas perspectivas sobre estabilidad y plasticidad en aprendizaje continuo. El meta-aprendizaje mejora la adaptación.
RRISE: Inferencia Robusta de Radio mediante un Estimador Sustituto
¿Quieres certificar robustez en IA sin el coste del muestreo Monte Carlo? RRISE logra precisión comparable con solo un pase de red.
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio logra 13.23% error top-5, igualando casi la retropropagación.
Entrenamiento basado en población iterado con reinicios sin tareas específicas
Descubre IPBT, un nuevo algoritmo que optimiza hiperparámetros automáticamente en redes neuronales sin aumentar el presupuesto. ¡Mejora tus modelos!
WildCat: Atención casi lineal en teoría y práctica
Descubre WildCat, un nuevo método de atención que logra error mínimo en tiempo casi lineal. Ideal para modelos de IA con secuencias largas. ¡Lee más!
Belief2-Attention: mejora en tareas de visión
Descubre cómo Belief2-Attention mejora la atención en visión usando dos componentes para clasificación y segmentación.
Modelos Hoeffding de cuello de botella conceptual para imágenes aéreas
Descubre los modelos Hoeffding de cuello de botella conceptual: explicabilidad no lineal y robusta para imágenes aéreas.
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.
Mecanismos de atención y transfer learning para clasificar daños en hojas de durazno
Descubre cómo la atención y transfer learning clasifican daños en hojas de durazno con 93% de precisión incluso bajo condiciones variables.
SUPREME: Framework Multi-GPU para Evaluación de Desaprendizaje de Imágenes
Descubre SUPREME, framework open-source que acelera evaluación de desaprendizaje en imágenes usando múltiples GPUs. Reproducible y eficiente.
¿Quién es responsable? Atribución en sistemas de IA modernos
Aprende a rastrear la responsabilidad en sistemas de IA modernos: nuestro marco cuantifica el impacto de cada etapa de desarrollo para una IA más responsable.
PictSure: La calidad de embeddings es clave para el aprendizaje en contexto
PictSure clasifica imágenes con pocos ejemplos usando aprendizaje en contexto. La calidad de los embeddings pre-entrenados es clave. Modelo open source.