HAMNO: Operador Neural Jerárquico Adaptativo Multi-escala con Física Informada
Descubre HAMNO: un operador neural jerárquico que mejora la precisión y estabilidad en simulaciones de sistemas dinámicos con física informada.
#diferencial
Método adjunto vs PINNs: problemas inversos con EDP
Comparación justa entre método adjunto y PINNs en problemas inversos gobernados por EDP. Descubre cuándo usar cada técnica y cómo la estrategia híbrida PINN-adjunto reduce costos.
Mitigando impacto desigual en privacidad diferencial con recorte acotado
El recorte adaptativo acotado reduce el sesgo en privacidad diferencial, mejorando hasta un 10% la precisión en clases minoritarias. Descubre cómo lograrlo.
Aprendizaje de operadores en contexto con Chain of Operators
Descubre CHOP: un marco que potencia modelos ICON para generalizar a operadores fuera de distribución sin reentrenar, reduciendo errores de inferencia.
De un espacio vacío a un robot funcionando en un solo prompt
Crea una simulación de robot diferencial en ROS 2 y Gazebo desde un solo prompt. Ahorra horas de configuración y empieza a trabajar en robótica real.
AutoPDE: Solución Confiable de PDEs con Estrategias Explícitas
AutoPDE: agente IA que separa estrategia numérica del código. Resuelve PDEs de forma confiable con métodos explícitos.
La ballena que superó a la evolución: optimización de conectomas
Descubre cómo la inteligencia de enjambre optimiza memoria en conectomas. Algoritmo ballena logra mejoras de hasta 17x. Estudio en computación de reservorios.
Representaciones 2D y fusión de subfases para diagnóstico de asma y EPOC en CNN-GRU
Descubre cómo las representaciones MFCC superan a los espectrogramas en el diagnóstico de asma y EPOC usando CNN y GRU. Resultados con F1-score de 0.877.
Estrategias de fusión subfase y representaciones 2D para diagnóstico asma/EPOC
Mejor diagnóstico diferencial de asma y EPOC usando MFCC y redes CNN-GRU. F1-score de 0.877 en evaluación por ciclos. Aumento de datos no mejoró.
Marco adaptativo para magnetosfera de púlsares con redes Kolmogorov-Arnold
Descubre las redes Kolmogorov-Arnold que mejoran precisión y rapidez en simulaciones de magnetosfera de púlsares, reduciendo errores y tiempo de entrenamiento.
El límite NLP hiperescalado para muestreo remoto de máxima entropía
Descubre cómo el nuevo límite NLP hiperescalado (hNLP) revoluciona la selección de variables para muestreo remoto con máxima entropía, superando métodos previos.
Aprendizaje de hiperparámetros para factorización latente de tensores en redes dinámicas
Descubre cómo DE-LFT automatiza la búsqueda de hiperparámetros en factorización de tensores para mejorar la precisión en redes dinámicas. Menos esfuerzo, mejores resultados.
Muestreo activo generativo para entrenar sustitutos PDE en línea
Descubre cómo OGAS mejora el entrenamiento de sustitutos PDE al enfocarse en casos difíciles, reduciendo errores extremos y dispersión sin sobrecarga computacional.
Datos tabulares sintéticos con privacidad diferencial
Descubre cómo Tab-PE genera datos tabulares sintéticos con privacidad diferencial, mejorando la precisión hasta un 10% y siendo 28 veces más rápido que AIM.
Datos sintéticos con privacidad diferencial mediante APIs 4: Datos tabulares
Descubre cómo Tab-PE genera datos tabulares sintéticos con privacidad diferencial, más preciso y 28 veces más rápido. Ideal para compartir datos.
GENERIC-FNO: Conservación de energía y entropía en FNO
Descubre cómo GENERIC-FNO integra conservación de energía y entropía en operadores neurales de Fourier, revolucionando la simulación termodinámica.
Benchmarking de protección de privacidad empírica en adaptaciones de LLM
Evaluamos cómo la distribución de datos y métodos como LoRA impactan la privacidad en LLM con privacidad diferencial. Claves para proteger datos sensibles.
Aprendizaje de operadores para Fokker-Planck con condiciones iniciales
Optimiza la simulación de procesos estocásticos con flujos normalizantes y PINNs para ecuaciones de Fokker-Planck.
Selección del parámetro μ en Privacidad Diferencial Gaussiana
Aprende a elegir el parámetro μ en privacidad diferencial gaussiana. Te ofrecemos una conversión práctica de ε a μ y recomendamos μ ≈ ε/5 para proteger tus datos.
Modelos de Inferencia Base para Ecuaciones Diferenciales Ordinarias
FIM-ODE predice campos vectoriales de EDOs con una pasada. Ofrece rendimiento cero-disparo y supera métodos tradicionales sin experticia en ML.