Análisis de límites de GNN en grafos de conflicto inalámbricos
GNN optimizan asignación de recursos inalámbricos usando grafos de conflicto. Validado en planificación de enlaces a gran escala.
#edes
Convoluciones cortas dinámicas mejoran los Transformers
Aprende cómo las convoluciones dinámicas mejoran los Transformers con ventajas en eficiencia. Implementación con kernels Triton.
Denoise primero, ortogonaliza después: Momento en Muon como filtro espectral
Descubre cómo el momento en Muon filtra el ruido del gradiente, mejorando el entrenamiento de LLMs. Un análisis teórico con respaldo experimental.
MAdam: Adam multiobjetivo con métrica consciente
MAdam: el drop-in wrapper que mejora Adam en optimización multiobjetivo. Corrige sesgos de ponderación y geometría. ¡Conócelo!
Razonamiento Algorítmico Neuronal Contrastivo para Coloreado de Grafos
Descubre cómo el aprendizaje contrastivo permite a las GNN colorear grafos minimizando conflictos, superando métodos greedy. Resultados en grafos reales.
Poblaciones neuronales: selectividad divergente con la escala
Un estudio revela cómo las neuronas en modelos de IA se vuelven más especializadas y menos compartidas a medida que crece el tamaño del modelo. Descubre el efecto de polarización neuronal.
Redes neuronales equivariantes de grupoides y álgebroides de Lie
Explora los fundamentos teóricos de las redes convolucionales equivariantes de Lie. Una nueva perspectiva para modelos invariantes a simetrías.
Huellas de neutrinos: codificación en imágenes de eventos IceCube para CNN
Descubre cómo huellas de neutrinos en imágenes permiten a una CNN reconstruir dirección de eventos IceCube con precisión. Innovador enfoque para astrofísica.
Contribuciones de nodos por trayectoria y límites de controlabilidad estática
Analizamos la nueva métrica 'contribución emergente' para medir la influencia de nodos en redes complejas. ¿Cuándo supera a la controlabilidad estática?
Estructura del grafo y riesgo de inferencia de membresía en GNNs
Descubre cómo la estructura del grafo afecta el riesgo de inferencia de membresía en GNNs. El muestreo de bola de nieve perjudica la generalización.
Aproximación cuantitativa para destilación de flujo en difusión
Nuevo marco de aproximación cuantitativa mejora la destilación de flujo en difusión, reduciendo errores hasta 51.9% con particiones no uniformes.
Predicción explicable de avances científicos con redes de conceptos
Un modelo explicable predice avances científicos analizando redes de conceptos con precisión superior. Clave para estrategias de I+D basadas en datos abiertos.
Predicción de difusión conceptual en ciencia: caso computación cuántica
Descubre cómo la IA predice la difusión de conceptos en ciencia usando computación cuántica. Un estudio revela patrones clave para anticipar cambios.
Neuronas QIF mejoran el descenso por gradiente en redes de picos
Las neuronas QIF ofrecen paisajes de pérdida menos fragmentados y superan a las LIF en descenso por gradiente exacto. Descubre los resultados.
Generación de medidas rectificables con redes neuronales
Descubre cómo las redes neuronales ReLU aproximan medidas rectificables con error mínimo en distancia de Wasserstein, mejorando tasas según el parámetro m.
ReciNet: Modelado de largo alcance en espacio recíproco para predicción de propiedades cristalinas
Descubre ReciNet, un modelo de IA que predice propiedades cristalinas usando el espacio recíproco con precisión superior en benchmarks de materiales.
R2DN: Parametrización escalable de redes recurrentes contractivas y Lipschitz
R2DN acelera entrenamiento e inferencia hasta 10 veces, manteniendo estabilidad y robustez. Ideal para control y sistemas no lineales.
Similitud funcional con ensamblado consciente de invarianza
Descubre cómo la invarianza en el ensamblado de modelos revela discrepancias funcionales ocultas y mejora la evaluación de similitud en deep learning.
Tasas óptimas de generalización del descenso de gradiente en clasificación ReLU profunda
Descubre cómo el descenso de gradiente logra tasas de generalización óptimas en redes ReLU profundas con dependencia polinomial de la profundidad, mejorando resultados previos.
LAMP: Modelo eficiente para generación 3D controlada por parámetros
Descubre LAMP, un modelo que genera formas 3D con solo 50 muestras y extrapola de forma segura hasta un 100% más allá de los datos de entrenamiento. Ideal para diseño paramétrico e ingeniería.