Difusión tabular guiada por geometría
GATD revoluciona la síntesis de datos tabulares usando supervisión geométrica: reduce errores hasta 27% con 3.5x menos parámetros. Ideal para privacidad y aumentación.
#edes
Samudra 2: Escalando emuladores oceánicos en resoluciones
Samudra 2: emulador oceánico neural que escala resoluciones para proyecciones climáticas precisas. Ejecuta en una GPU, reduce errores y captura remolinos.
Modelos oscilatorios de espacio de estados como sesgos inductivos para PINNs
Optimiza la solución de EDP con modelos oscilatorios: mayor precisión, menor memoria. ¡Descubre cómo!
PrimeSVT: Poda Automática con Memoria para Transformers de Visión Spiking
Descubre cómo PrimeSVT automatiza la poda de Transformers de Visión Spiking, reduciendo memoria un 26.68% con mínima pérdida de precisión. Optimiza tus modelos.
Flow Learners para PDEs: hacia un paradigma física-a-física
Los Flow Learners alinean dinámica continua con IA para transformar la simulación de PDEs y cuantificar incertidumbre.
Aprendizaje de DNF mediante representaciones generalizadas de Fourier
Descubre cómo las representaciones generalizadas de Fourier permiten aprender DNF bajo distribuciones no producto. Un avance clave en teoría del aprendizaje automático.
Optimización estocástica descentralizada no convexa bajo suavidad (L0,L1)
Nuevo algoritmo DNSGD: optimización descentralizada no convexa con suavidad (L0,L1). Logra punto estacionario con menor complejidad. ¡Descúbrelo!
SAIL: Intérpretes Abstractos Sólidos con LLMs
Descubre cómo SAIL utiliza LLMs para sintetizar transformadores abstractos sólidos y precisos en verificación de redes neuronales. Un avance en interpretación abstracta automática.
RNN factorizado de bajo rango para dinámicas neuronales independientes
Descubre cómo el nuevo modelo FacRNN desenreda dinámicas neuronales latentes para una interpretabilidad sin precedentes en neurociencia computacional.
Aprendizaje profundo bilevel para control óptimo de obstáculos
Método S2-FOBA: aprendizaje profundo bilevel de un solo bucle para control óptimo de obstáculos. Eficiente, sin malla y escalable a dominios complejos.
Inicialización Óptima en Redes Profundas: Lyapunov y Leaky ReLU
Descubre la inicialización Lyapunov para redes Leaky ReLU: cómo lograr estabilidad en activaciones y mejorar el aprendizaje en redes profundas.
Entrenamiento escalable en hardware de QNN y aplicación a datos clínicos
Entrena redes cuánticas en hardware de forma escalable con coste logarítmico. Aplicación a datos clínicos con resultados superiores.
¿Mérito o redes? Lo que decide dónde se publica
Estudio con IA revela que la calidad de la investigación establece un piso meritocrático, mientras las conexiones crean un techo de favoritismo en revistas top.
FFR: Aprendizaje Forward-Forward para Regresión
Descubre FFR, el primer algoritmo Forward-Forward para regresión que iguala el 98.6% de precisión de backprop con solo un 27% de memoria. ¡Innovación en IA!
Formalizando el problema de vinculación en visión artificial
Formalizamos el problema de vinculación en visión artificial. Mide la información de vinculación en Vision Transformers para mejorar el reconocimiento.
Portero humano con aprendizaje por refuerzo eficiente en fútbol
Nuevo método de aprendizaje por refuerzo crea porteros humanos en EA Sports FC 25. Supera a la IA nativa un 10% y entrena 50% más rápido.
PINNfluence: Interpretando PINNs mediante funciones de influencia
Descubre cómo PINNfluence interpreta las redes neuronales físicas informadas usando funciones de influencia para diagnosticar su comportamiento.
DeMuon: Muon Descentralizado para Optimización de Matrices en Grafos
DeMuon: primer método descentralizado para optimización de matrices en grafos con garantías. Supera a otros en entrenamiento de transformers.
¿Las explicaciones exponen la lógica de decisión? Robo de modelos GNN
¿Las explicaciones en GNN facilitan el robo de modelos? Conoce EGSteal, un ataque que replica lógica y razonamiento. Implicaciones de seguridad.
Destilar luego Reemplazar: Modelos Híbridos de Atención Eficientes
DtR transforma transformers preentrenados en modelos híbridos eficientes mediante destilación y reemplazo de capas. Obtén precisión con menor costo computacional.