Range-Arithmetic: Inferencia verificable de deep learning en parte no confiable
Descubre cómo Range-Arithmetic verifica inferencias de deep learning sin re-ejecución, reduciendo costos y comunicación. Ideal para IA descentralizada.
#dnn
Terastal: Programación por variantes de capas para cargas multi-DNN en aceleradores heterogéneos
Descubre cómo Terastal reduce hasta un 40% los fallos de plazo en cargas multi-DNN usando variantes de capa para optimizar latencia y precisión en aceleradores heterogéneos.
Interfaze: El futuro de la IA se basa en modelos pequeños
Interfaze fusiona especialistas (OCR, voz, GUI) en un transformer. Supera a GPT-5 y Claude en benchmarks deterministas con coste flash.
Generación de pruebas basada en anclajes latentes para redes neuronales profundas
Descubre cómo Latte, un framework de pruebas de caja negra, genera casos de prueba diversos y semánticamente cercanos para detectar fallos en redes neuronales profundas.
Expresividad de arquitecturas de congruencia para DNNs en matrices definidas positivas
La restricción semi-ortogonal en capas de congruencia limita la expresividad de DNNs para matrices PD. Comparativa de clasificadores Riemannianos.
ADNTN: Redes Tensoriales Diferenciables para Compresión Exponencial de DNN
Explora ADNTN: comprime DNN hasta 77,000x, mejorando precisión. Redes tensoriales no lineales automáticamente diferenciables.
Interpretación de DNNs mediante grupo de renormalización y familia exponencial
Descubre cómo las DNNs entrenadas equivalen al grupo de renormalización en datos de familia exponencial. Una nueva teoría de interpretabilidad.