Diferencias de género en talleres de alfabetización IA y deepfakes
Descubre cómo un taller de alfabetización en IA revela diferencias de género en habilidades, uso de deepfakes y aspiraciones STEM. Resultados sorprendentes
#ea
VigilFormer: Atención deformable causal para detección de anomalías
VigilFormer combina atención deformable y causal para detectar anomalías en video. Logra 87.83% AUC en UCF-Crime a 41.5 FPS. ¡Alta precisión y velocidad!
Steady-Forcing: Balance entre persistencia espacial y continuidad de movimiento
Descubre cómo Steady-Forcing equilibra estabilidad de fondo y movimiento natural en videos generados por IA, mejorando la coherencia en secuencias largas
BRIDGE: Refinamiento biológico y compuerta dinámica para redes de genes
BRIDGE combina refinamiento biológico y compuerta dinámica para predecir redes génicas desde scRNA-seq. Obtiene AUROC y AUPRC líderes, validado en hESC.
Monitoreo Cinemático 3D Automatizado para Actividad Circadiana en Peces
Descubre cómo un sistema automatizado de visión estéreo y deep learning monitorea en 3D la actividad circadiana de peces juveniles, detectando anomalías y
EnvShip-Bench: benchmark mejorado con entorno para trayectorias de buques
EnvShip-Bench ofrece un benchmark unificado con datos AIS y contexto ambiental para predecir trayectorias de buques. ¡Mejora la seguridad marítima!
Cuándo usar qué norma Schatten-p en deep learning
Elige la norma Schatten-p según la dimensionalidad: normas pequeñas son óptimas en baja dimensión incluso con suavidad en Schatten-∞.Incluye escalado de lotes.
Generalización entre dispositivos de Grad-Shafranov con transfer learning
Operadores neuronales con transfer learning generalizan equilibrios Grad-Shafranov entre dispositivos, con errores <2% y predicciones en ms.
Test-time training: adaptación óptima desde la teoría de decisión
Descubre cuándo y cómo adaptar modelos en test-time training usando teoría de decisión, mejorando precisión y estabilidad. Evita sobreajuste con estrategias
SINDy Multifidelidad: Descubrimiento Disperso de Sistemas No Lineales
Descubre cómo SINDy multi-fidelidad identifica sistemas dinámicos no lineales con datos ruidosos. Mejora modelos con mediciones ponderadas.
Pronóstico robusto de índices bursátiles con Transformers y aumento de datos desplazados
Descubre cómo Transformers con aumento de datos desplazados (SDA) mejora precisión y robustez en pronóstico de índices como VN30 y S&P 500.
El Manifold de Datos bajo el Microscopio
Explora el nuevo benchmark que cierra la brecha entre teoría y práctica en deep learning, permitiendo calibrar estimadores geométricos y probar supuestos
Multi-Fidelity SINDy: Identificación dispersa de sistemas dinámicos no lineales
Descubre cómo Multi-Fidelity SINDy mejora la identificación de sistemas dinámicos no lineales usando datos de baja y alta fidelidad.
Pronóstico bursátil con Transformers y aumento de datos desplazados
Mejora el pronóstico bursátil con aumento de datos desplazados y Transformers. Resultados en VN30 y S&P 500.
Mejora de precisión con fidelidad de ruta escalar en potenciales interatómicos
Descubre cómo la fidelidad de ruta escalar reduce errores en potenciales interatómicos en un 22-27% con solo 5% extra de costo.
El Manifold de Datos bajo el Microscopio
¿Cómo medir la geometría de los datos? Este nuevo benchmark permite evaluar curvatura, alcance y volumen con precisión. Ideal para teoría de deep learning.
Escaleras de Kernel Browniano
Descubre las Escaleras de Kernel Browniano: un marco matemático para representaciones jerárquicas en deep learning con cotas de error casi paramétricas.
David vs Goliat: Argmax supera a LSTM, Transformer y LLMs
¿Un simple contador supera a modelos de IA? Este benchmark revela que argmax iguala o supera a LSTM, Transformer y LLMs.
Estimación de glucosa en sangre con PPG y Machine Learning
Estudio explora estimación de glucosa no invasiva usando PPG de smartwatch y machine learning. ¿Podemos medir glucosa sin pinchazos?
Aceleración de OCSVM mediante ensemble de SVMs de un dato
Descubre cómo acelerar el entrenamiento de OCSVM en grandes conjuntos de datos usando un ensemble de SVMs de un dato. Resultados rápidos y precisos. Código