Recuperación de la volatilidad acoplada al estado bajo observación parcial
Descubre cómo recuperar la volatilidad acoplada al estado en sistemas latentes con observación parcial usando filtros de partículas.
#dinámicos
TIDFormer: explotando dinámica temporal e interactiva en grafos dinámicos
Descubre cómo TIDFormer revoluciona el análisis de grafos dinámicos con su mecanismo de atención eficiente e interpretable, superando modelos previos.
Bandidos contextuales con supervisión humana para precios de alquiler temporal
Bandidos contextuales con aprobación humana reducen el cold-start de 150 a 30 episodios. Aprende la estrategia warm-up histórico.
Personas sintéticas para evaluar la alineación pluralista en IA
Las personas sintéticas permiten evaluar la alineación pluralista en IA generativa, superando benchmarks únicos y revelando la necesidad de mecanismos dinámicos.
MENO: Operadores Neurales Mejorados con MeanFlow para Sistemas Dinámicos
Descubre MENO: el nuevo marco que mejora operadores neurales con MeanFlow para predicciones precisas en sistemas dinámicos, con hasta 14x más rapidez que DDIM.
Regresión de procesos gaussianos informada por física para reconstrucción de campos de flujo
Descubre cómo los procesos gaussianos con restricciones de frontera y física reconstruyen campos de flujo sin datos en la frontera. Ejemplos con cilindro y NACA 0412.
Análisis de estabilidad de Sharpness-Aware Minimization
Descubre cómo el algoritmo SAM puede quedarse atrapado en puntos de silla y cómo el momentum y el tamaño de lote ayudan a mejorar su estabilidad y generalización.
GRANITE: un marco de aprendizaje por gossip dinámico resistente a bizantinos
Descubre GRANITE: un framework que protege el aprendizaje descentralizado de ataques bizantinos, logrando convergencia rápida y 9x menos comunicación.
Redes neuronales gráficas guiadas por física con pesos dinámicos para RUL y SoH
Descubre cómo RGPD, con redes gráficas y pesos dinámicos, mejora un 12% la precisión en RUL y SoH en motores, rodamientos y baterías.
Truncación balanceada Hermite simétrica para sistemas dinámicos a partir de derivadas
Descubre cómo la truncación balanceada con cuadratura Hermite simétrica permite aprender sistemas dinámicos lineales a partir de datos de derivadas, preservando estabilidad y hermiticidad.
Aproximaciones locales al aprendizaje en RNN lineales
Exploramos la dinámica del aprendizaje local en redes recurrentes lineales. Comparamos RFLO, tBPTT y BPTT, revelando diferencias cualitativas y soluciones de bajo rango.
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
Firmas de Motivos Temporales para Redes Neuronales de Grafos Temporales
Descubre cómo las firmas de motivos temporales mejoran la predicción en redes neuronales de grafos temporales. Aplicaciones en MOOC, Bitcoin y más.
Detector de anomalías discriminativo y generalizable para grafos dinámicos
Descubre un nuevo framework que aprende a detectar anomalías en grafos dinámicos con pocos datos etiquetados, logrando alta precisión y generalización.
Geometría determinista: escalando pre-construcción con AutoCAD
Resuelve choques espaciales y errores de geometría en pre-construcción con AutoCAD avanzado. Minimiza la deuda constructiva y escala tu proyecto con precisión.
ForecastCompass: Memoria adaptativa para predicción agéntica
Descubre cómo ForecastCompass (FoCo) mejora la predicción agéntica usando memoria de factores adaptativa, aumentando precisión y calibración en entornos dinámicos.
DG-CoLearn: Un marco eficiente de aprendizaje colaborativo para grafos dinámicos
Descubre DG-CoLearn: acelera hasta 33.8x el aprendizaje en grafos dinámicos con privacidad estructural y mejora del 13% en precisión.
Modelos de Mundo Equivariantes de Flujo: Memoria para Entornos Parcialmente Observados
Descubre cómo los modelos de mundo equivariantes con memoria latente mejoran predicción en entornos parcialmente observados con simetrías temporales.
NGDBench: gestión neuronal de datos en grafos
NGDBench unifica datos estructurados y no estructurados en grafos para evaluar la gestión neural de datos. Ideal para entender cómo manejan el ruido las consultas con IA.
Representaciones de Predictibilidad Transferibles: Una Nueva Red Ordinal
Descubre cómo la nueva red GON aprende representaciones transferibles de predictibilidad en sistemas dinámicos, superando la ambigüedad ordinal.