El Manifold de Datos bajo el Microscopio
¿Cómo medir la geometría de los datos? Este nuevo benchmark permite evaluar curvatura, alcance y volumen con precisión. Ideal para teoría de deep learning.
#curvatura
Domando la Curvatura: Calentamiento de Arquitectura para Transformers Estables
Controla la curvatura del Hessiano con calentamiento de arquitectura para entrenar Transformers estables, reduciendo picos de pérdida.
Ricci-Filtration: reordenador RAG mejorado con flujo discreto de Ricci
Mejora tu RAG con Ricci-Filtration: un enfoque geométrico que filtra documentos ruidosos usando flujo de Ricci discreto, aumentando precisión en preguntas y
Predicción de afinidad proteína-ligando con geometría guiada por curvatura
Mejora la predicción de afinidad proteína-ligando con RicciBind, que integra curvatura de Ricci y transporte óptimo para resultados más precisos.
Predicción de afinidad proteína-ligando con geometría guiada por curvatura
Descubre cómo RicciBind mejora la predicción de afinidad proteína-ligando usando curvatura y transporte óptimo. Mayor precisión e interpretabilidad en el descubrimiento de fármacos.
Superficie de energía potencial con curvatura para afinidad proteína-ligando
CPES predice afinidad proteína-ligando modelando flexibilidad molecular con curvatura de energía potencial. Mejora precisión e interpretabilidad.
Mezcla rápida para medidas de Gibbs en variedades riemannianas
Descubre cómo la mezcla rápida de Gibbs en variedades riemannianas logra tiempos polinomiales evitando barren plateaus y mínimos espurios.
Asistencia predictiva y dinámica temporal de la compresión exploratoria
Descubre cómo la asistencia predictiva de la IA altera la compresión exploratoria, reduciendo la movilidad cognitiva y generando histéresis. Implicaciones para el aprendizaje y desarrollo.
Optimización SAV acelerada con Hessiana de bajo rango aleatoria
Descubre cómo N-RSAV acelera optimización SAV con Hessiana, logrando convergencia rápida en problemas mal condicionados como PINNs.
La relación superlineal entre ruido SGD y curvatura
Descubre cómo el ruido del SGD se relaciona con la curvatura del paisaje de pérdida en deep learning. Nuevas leyes empíricas para capas fully connected.
Optimización Riemanniana Descentralizada en Línea más allá de Hadamard
Nuevo algoritmo de optimización Riemanniana descentralizada online con consenso curvatura y cota de arrepentimiento O(√T).
Generalización en Mínimos Cuadrados No Lineales vía Geometría Aprendida
Aprende cómo la geometría de características aprendidas mejora la generalización en mínimos cuadrados no lineales, reduciendo la dependencia de parámetros.
Fórmulas de interpolación de kernel de ruta de segundo orden en Machine Learning
Descubre cómo las fórmulas de interpolación de segundo orden refinan la interpretación del kernel de ruta en redes neuronales, mejorando la comprensión del aprendizaje.
Interpolación de Kernel de Segundo Orden en Machine Learning
Descubre las fórmulas de interpolación de kernel de segundo orden: incorporan curvatura, ruido de gradiente estocástico y momentum para mejorar predicciones en ML.
Cálculo eficiente de curvatura media en variedades de datos de alta dimensión
Descubre cómo calcular la curvatura media en datos de alta dimensión con un método que reduce el costo computacional hasta 300 veces, manteniendo precisión. Ideal para ML.
Flow Matching con Transporte Óptimo por Diseño
Aprende cómo reformular el problema de Flow Matching con transporte óptimo reduce curvatura y permite generación de imágenes de alta calidad en pocos pasos.
Muon supera a Adam: una perspectiva de curvatura
Muon duplica la eficiencia de Adam en LLMs gracias a menor curvatura. Descubre el análisis geométrico detrás de su ventaja.
Enfoque de precisión dinámica consciente de curvatura para PINNs
Descubre cómo un control de precisión basado en curvatura reduce costos computacionales en PINNs sin sacrificar exactitud. Optimiza tu entrenamiento.
Introducción a métodos de optimización para entrenar modelos SciML
Aprende cómo la física y los operadores diferenciales condicionan la optimización en SciML. Métodos de primer y segundo orden, aplicaciones prácticas y desafíos.
De no convexo a fuertemente convexo: FTPL adaptativo para optimización online
Descubre cómo FTPL se adapta a la curvatura en optimización online, logrando desde O(√T) hasta O(log T) de regret sin conocer la curvatura por adelantado.