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.
#edes
Más allá de la aumentación: Score guiado para detectar depresión con EEG
Nuevo método de clasificación guiada por puntuación detecta depresión con EEG sin aumentación de datos, mejorando precisión.
Transformers agentes aprenden a buscar con RL
Los transformers agentes aprenden a buscar en árboles mediante aprendizaje por refuerzo. Mecanismos de atención y generalización de profundidad.
STARFISH: Recuperación rápida de precisión en redes podadas
STARFISH recupera hasta un 82% de precisión en redes podadas usando solo el 0.4% de imágenes. Supera en un 22% a otros métodos. Descubre cómo optimizar tus modelos.
Repensando los paradigmas de evaluación en entrenamiento certificado IBP
Descubre cómo las fronteras de Pareto y la optimización automatizada revelan rendimientos superiores en entrenamiento certificado.
Arquitectura 6G-LLM centrada en comunicación para vehículos tácticos autónomos
Descubre cómo una arquitectura 6G-LLM reduce la latencia un 75% y aumenta el éxito de misiones un 68% en redes de vehículos autónomos tácticos.
Gestión de espectro en redes 6G UAV con Digital Twin y DRL multi-agente
Descubre cómo el Digital Twin y el DRL multi-agente optimizan espectro y recursos en redes 6G UAV, mejorando eficiencia y conectividad autónoma.
BRo-JEPA: Aprendizaje de Aritmética Modular en Espacio Latente
BRo-JEPA logra 99.46% de precisión en aritmética modular sin entrenamiento. Aprende cómo generaliza reglas algebraicas.
Compresión de redes neuronales mediante equivalencia diferencial aproximada
Aprende a comprimir redes neuronales agrupando neuronas por equivalencia diferencial. Reduce parámetros sin perder precisión, alternativa eficaz.
CEAR: Robustez Adversarial Certificada con Ensambles en DNNs
Descubre CEAR: mejora la robustez adversarial certificada en DNNs usando ensambles con ruido y votación. Superior en MNIST, CIFAR10 y TinyImageNet.
Evaluación de configuraciones de SNNs para detección de intrusos
Las SNNs con codificación de latencia alcanzan un 92% de precisión en detección de intrusiones, ideales para entornos de bajo consumo.
UR-JEPA: Rectificabilidad Uniforme como Regularizador en JEPA
UR-JEPA logra un 0.83% más de precisión que LeJEPA en Inet10 con menor varianza, y produce representaciones geométricamente distintas.
Filtrado de Kalman consciente del cómputo para dinámicas neuronales
Nuevo método bayesiano que combina filtrado de Kalman y selección de modelos para dinámicas neuronales, mejorando incertidumbre y escalabilidad. ¡Descúbrelo!
TN-SHAP-G: Red tensorial para Shapley en gráficos
Descubre TN-SHAP-G: calcula valores Shapley en gráficos usando redes de tensores, sin Monte Carlo. Explicabilidad eficiente para modelos complejos.
GJDNet: Redes de grafos robustas con aprendizaje disentangled
GJDNet mejora la robustez de GNNs frente a ataques con representaciones y decisiones disentangled. Aísla perturbaciones y estabiliza fronteras de decisión en grafos diversos.
Construcción de grafos de conocimiento histórico con BERT y GNN
Descubre cómo combinar BERT y GNN para construir grafos de conocimiento histórico. Extrae entidades y relaciones de textos antiguos con alta precisión.
ProbeScale: Análisis de Sondas para Optimizar Leyes de Escalado en SLMs
Descubre cómo ProbeScale optimiza SLMs mediante análisis de sondas, seleccionando subredes que reducen hasta 10 veces los parámetros sin perder rendimiento.
Atención guiada por física en TCN ligera para HAR con WiFi CSI
Modelo ligero de TCN con atención guiada por física para HAR con WiFi CSI. Reduce costos computacionales y mejora precisión.
RA-LWLM: Localización In-Context Mejorada con Recuperación para Redes 6G
Descubre cómo RA-LWLM logra localización 6G adaptativa sin reentrenamiento usando recuperación de contexto
Mecanismos de atención y transfer learning para clasificar daños en hojas de durazno
Descubre cómo la atención y transfer learning clasifican daños en hojas de durazno con 93% de precisión incluso bajo condiciones variables.