PAND: Destilación de Vecindad Consciente de Prompts en Clasificación Visual Fina
Descubre PAND: destilación de vecindad consciente de prompts para clasificación visual fina. Supera al estado del arte con modelos ligeros.
#edes
Modelos de difusión con información física en espacio espectral
Descubre cómo los modelos de difusión en espacio espectral integran leyes físicas para resolver PDEs con eficiencia y precisión. Ideal para ingeniería y ciencia.
A quién y qué preguntar: elicitación grupal adaptativa con LLM
Descubre cómo un enfoque adaptativo con LLM y redes neuronales predice opiniones grupales con solo el 10% de encuestados.
Bloqueo de signos: persistencia y cuello de botella sub-bit
Los signos de pesos inicializados persisten y crean un cuello de botella en compresión sub-bit. Descubre la teoría de bloqueo de signos y un nuevo método.
Representaciones Coherentes: Enfoque Topológico para Interpretabilidad
Nueva técnica: coherencia geométrica para interpretar redes neuronales. Aplicaciones en BERT y autoencoders.
RBF-KAN y RBF-SKAN Jerárquicos para Aproximación y Campos Aleatorios
Arquitecturas jerárquicas RBF-KAN y RBF-SKAN para aproximación multidimensional y aprendizaje de campos aleatorios. Reduce la maldición de la dimensionalidad.
Redes neuronales: aprendizaje demostrable de representaciones espectrales de grupos
Descubre cómo las redes neuronales aprenden representaciones espectrales de grupos, convergencia demostrable a irreducibles y compresión de bajo rango.
¿Qué aprenden los estudiantes? Análisis del conocimiento oscuro
Descubre cómo la Destilación de Confusión (CD) mejora el aprendizaje de modelos sin profesor, superando a otros métodos en CIFAR-100.
¿Campos precisos engañan al diseño fotónico? De precisión global a lectura de puertos
Descubre cómo los campos precisos pueden desviar el diseño fotónico y cómo el nuevo operador neural PaNO mejora la lectura de puertos reduciendo errores hasta un 72%.
Repensando el ancho neuronal para proxies de flujo de potencia óptimo AC
Descubre cómo el algoritmo LG-ND optimiza el ancho neuronal para proxies ACOPF, reduciendo neuronas hasta 10 veces y garantizando verificación formal en sistemas críticos.
Redefiniendo el ancho neuronal para proxies de ACOPF
Un algoritmo incremental (LG-ND) determina el ancho neuronal mínimo para proxies de ACOPF, logrando rendimiento equivalente con hasta 10x menos neuronas. Ideal para seguridad en redes eléctricas.
Adaptando reglas de puntuación estrictamente adecuadas para inferencia causal
Personaliza reglas de puntuación para inferencia causal. Nuestra pérdida a medida reduce sesgo y varianza en estimación del ATE.
Validación y gobernanza multiagente para adaptación de modelos termohidráulicos
Descubre cómo un sistema multiagente con validación mejora un 19% la precisión de los modelos termohidráulicos, reduciendo errores en pronósticos dinámicos.
IdEst: Evaluando Representaciones SSL con Dimensión Intrínseca
Descubre cómo IdEst, basado en dimensión intrínseca, evalúa representaciones SSL de forma eficiente, reduciendo costos computacionales y sin necesidad de etiquetas.
IdEst: dimensión intrínseca para evaluar representaciones SSL
IdEst evalúa representaciones SSL con dimensión intrínseca: métrica geométrica que correlaciona con el rendimiento downstream. Ahorra tiempo en evaluación.
Flicker-DDPM: Acelerando la difusión con ruido coloreado 1/f
Descubre Flicker-DDPM, un nuevo modelo de difusión que acelera el muestreo hasta 3.33 veces usando ruido coloreado 1/f, mejorando la calidad de generación.
Flicker-DDPM: Acelerando la difusión de denoising con ruido coloreado 1/f
Descubre cómo Flicker-DDPM acelera la generación de imágenes con ruido coloreado 1/f, reduciendo pasos de muestreo hasta 3 veces sin pérdida de calidad.
Reparación de Grafos Gaussiana con Topología para GNNs Robusta
Mejora la robustez de tus GNNs con TAGR: un método ligero de reparación de grafos que combina kernel Gaussiano y corrección topológica. ¡Optimiza tus modelos!
HiSE: Explicador Semántico Jerárquico Ligero para Grafos Heterogéneos
HiSE es un explicador ligero para redes neuronales de grafos heterogéneos con explicaciones semánticas jerárquicas de alta fidelidad y bajo costo.
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio logra 13.23% error top-5, igualando casi la retropropagación.