Descomposición SVD Funcional Dispersa para Biclusters y Triclusters
Descubre cómo la descomposición SVD funcional dispersa identifica patrones ocultos en datos longitudinales, aplicado a enfermedades inflamatorias y señales EEG.
#descomposición
Concept-SAE: Interfaz de Conceptos Controlable e Invertible
Descubre cómo Concept-SAE controla conceptos específicos en modelos de IA, mejorando interpretabilidad y detección adversarial.
Hacia una prueba de independencia condicional escalable y válida con representaciones espectrales
Descubre cómo las representaciones espectrales mejoran la escalabilidad y validez en pruebas de independencia condicional. Un enfoque innovador con garantías teóricas.
Poliedros de descomposición de funciones lineales por partes
Exploramos cómo descomponer funciones lineales por partes en diferencia de convexas, minimizando piezas. Aplicaciones en optimización y redes neuronales.
Estimación de incertidumbre con distribuciones de varianza controlada
Nueva técnica para cuantificar la incertidumbre en redes neuronales usando la varianza de las predicciones. Ideal para aplicaciones críticas.
Marco unificado para localidad en MARL escalable
Optimiza MARL escalable con un marco de localidad que descompone sensibilidad. Descubre cómo el control de temperatura softmax mejora la eficiencia.
Completación de Matrices Distribucionales de Bajo Rango
Descubre cómo completar matrices de distribuciones de probabilidad usando técnicas de bajo rango y embeddings kernel. Un nuevo enfoque con garantías estadísticas.
STRIDE: Atribución de datos de entrenamiento con recuperación dispersa
Descubre STRIDE, un nuevo método que atribuye predicciones de LLM a datos de entrenamiento mediante recuperación dispersa, logrando 13 veces más rapidez que métodos anteriores.
Arranques en caliente para iteración de potencia alternante en PCA de tensores
Descubre cómo los arranques en caliente aceleran la convergencia en PCA de tensores. Teoría local y aplicación.
Decaimiento de bajo rango para grokking en transformers invariantes a escala
Descubre cómo el decaimiento de bajo rango (LRD) acelera el grokking en transformers invariantes a escala, comprimiendo valores singulares.
Descomponiendo cómo el prompting guía el comportamiento
Descubre cómo las instrucciones transforman las representaciones internas de la IA. Un estudio revela la geometría detrás del comportamiento inducido.
Representaciones Laplacianas para Planificación en Tiempo de Decisión
Descubre cómo las representaciones Laplacianas mejoran la planificación en tiempo de decisión en RL, descomponiendo problemas complejos en subobjetivos. El algo
Repensando descomposiciones tensoriales en compresión post-entrenamiento de LLMs
Descubre por qué descomposiciones tensoriales tienen limitaciones en la compresión de LLMs y cómo afectan a modelos densos y MoE. Análisis teórico y práctico.
Evaluación Sistemática de Arquitecturas Actuales en Pronóstico de Energía Eólica
Descubre las arquitecturas híbridas con deep learning y descomposición modal mejoran la precisión del pronóstico eólico por intervalos, reduciendo incertidumbre.
Descomposición tensorial bayesiana con prior de modelo de difusión
DiffBCP combina descomposición tensorial bayesiana y modelos de difusión para reconstruir datos corruptos. Ideal para inpainting y denoising de imágenes.
Descomposición Tensorial Bayesiana con Prior de Difusión
DiffBCP combina descomposición tensorial bayesiana y modelos de difusión para reconstruir datos severamente corruptos. Ideal para inpainting y denoising de alta resolución.
Modelo base de grafos con análisis espectral y propagación guiada por prototipos
Descubre cómo SPG combina filtros Chebyshev y prototipos para generalizar entre grafos de distintos dominios. Mejora la transferencia de conocimiento en IA.
Modelo Fundacional de Grafos con Parseo Espectral y Propagación Espacial Guiada
Descubre SPG, un modelo fundacional de grafos que combina parseo espectral y propagación guiada por prototipos para transferencia entre dominios.
Propiedades de convergencia del DCA para SVR con kernel RBF Gaussiano
Descubre cómo el parámetro Cαρ predice la convergencia del DCA en SVR con kernel RBF. Optimiza tus modelos con este análisis.
Espectro asintótico en pérdida de redes neuronales: descomposición del exponente de curvatura
Descubre cómo la curvatura de la pérdida en redes neuronales varía según la arquitectura. Una descomposición exacta revela la relación entre Hessiano y gradient