Análisis SAXS con aprendizaje automático diferenciable para nanopartículas lipídicas
Acelera el análisis estructural de nanopartículas lipídicas con un marco de aprendizaje automático diferenciable para SAXS. Resultados precisos y rápidos.
#dispersión
SVM robusto y disperso con pérdida truncada híbrida para clasificación supervisada
Nueva función de pérdida truncada híbrida para SVM mejora robustez frente a outliers, reduce vectores de soporte y logra mayor precisión en clasificación supervisada.
Estimación del tiempo de dispersión de FRBs con Transformer multimodal
Nuevo modelo deep learning estima tiempo de dispersión de FRBs con 94% precisión, acelerando análisis astrofísico.
SEFT: Ajuste fino disperso para LLMs con evolución de la dispersión
Descubre SEFT, un método de ajuste fino que permite a los LLMs dispersos evolucionar su estructura manteniendo eficiencia. Supera a métodos existentes.
Operadores Neuronales Basados en la Luz: Reflexión, Refracción y Dispersión
Descubre LiNO, un operador neuronal inspirado en la luz que reduce la complejidad espacial de cuadrática a lineal, mejorando la escalabilidad y el rendimiento en PDEs.
Que la luz sea: Reflexión, Refracción y Dispersión para Operadores Neurales
Descubre LiNO, operador neural inspirado en luz que separa modulación local y comunicación global con eficiencia cuadrática a lineal. Ideal para PDEs paramétricas.
SALAAD: Adaptación dispersa y de bajo rango con ADMM para inferencia de LLM
Descubre cómo SALAAD reduce el consumo de memoria en modelos de lenguaje grandes usando estructuras dispersas y de bajo rango, permitiendo un despliegue flexible sin reentrenamiento.
Aprendizaje Federado Bayesiano: Personalización, Dispersión y Agrupamiento
Descubre pFedBayes, sFedBayes y cFedBayes: técnicas bayesianas para personalizar, dispersar y agrupar en aprendizaje federado.
Compensación entre eficiencia y confianza en predicción conforme transductiva
Descubre dilema en predicción conforme transductiva: mayor confianza implica conjuntos exponencialmente grandes. Nuevo algoritmo supera métodos tradicionales.
LeAP: Permutación Adaptativa para Selección de Características
LeAP aprende a seleccionar características en sistemas de recomendación dispersos, reduciendo costos y eliminando redundancias sin perder rendimiento.
DAGGER: construcción sin gradientes de redes amplificadoras transitorias
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias preservando conectividad exacta. Hasta 100x más rápido.