BrainG3N: Tokenizador dual para generación controlable de resonancias 3D
Descubre cómo BrainG3N tokeniza resonancias 3D para generar imágenes cerebrales controlables y mejorar diagnósticos clínicos con IA.
#encoder
SleepMaMi: Modelo universal del sueño integrando macro y micro
SleepMaMi: modelo universal del sueño que integra macro y microestructuras. Entrenado con 158K horas, supera a modelos previos en análisis clínico.
Marco de deep learning para resolver ecuaciones de Fokker-Planck transitorias
Descubre cómo un nuevo marco de deep learning resuelve ecuaciones de Fokker-Planck en tiempo real, acelerando simulaciones hasta 10,000 veces.
Intervenciones SAE no fiables: recuperación conductual post-intervención
¿Crees que las intervenciones SAE bloquean conductas no deseadas? Nuevo estudio demuestra que pueden recuperarse. Descubre por qué.
De características dispersas a proxies confiables: certificando la interpretabilidad basada en SAE
Descubre cómo certificar que las explicaciones basadas en autoencoders dispersos son fieles al modelo original con un nuevo marco teórico y evidencia empírica
Efectos de la dispersión y superposición en la pérdida de autoencoders simples
Descubre cómo la dispersión y superposición afectan la pérdida en autoencoders simples. Análisis matemático riguroso con límites superiores e inferiores para
SAERec: Intenciones interpretables detalladas con autoencoders dispersos
SAERec usa autoencoders dispersos para crear intenciones interpretables, mejorando la precisión de recomendaciones con explicaciones claras. ¡Descúbrelo!
Restauración de gradiente revela vulnerabilidades ocultas en autoencoders
¿Sabías que los autoencoders tienen vulnerabilidades ocultas? Descubre cómo GRILL las expone usando restauración de gradiente.
Autoencoders Dispersos Estables y Manejables con Regularización de Pesos
Descubre cómo la regularización de pesos en autoencoders dispersos logra características más estables y manejables, duplicando el éxito de control sin perder
VAEs con flujos geométricos latentes estables de alta dimensión para dinámicas
Descubre cómo los autoencoders variacionales con flujos geométricos latentes mejoran la representación de dinámicas en PDEs, reduciendo errores OOD hasta 35%.
Cálculo geodésico en variedades latentes implícitas
Aprende a calcular geodesicas en variedades latentes implícitas usando geometría Riemanniana. Método robusto para autoencoders con proyección denoising.
Estructuras latentes compartidas para detectar puertas traseras en LLMs
Descubre cómo las estructuras latentes compartidas en LLMs permiten detectar y mitigar ataques de puerta trasera unificada. Un avance en seguridad de IA.
Preentrenados y congelados: fuga de atributos en modelos EEG
Descubre cómo los modelos EEG preentrenados filtran atributos incluso con defensas como DP-SGD. Auditoría cross-encoder revela fugas persistentes. ¡Lee el
Aprendizaje de representaciones condicionado por sensores con cocientes de observación relevantes
¿Cómo saber si las representaciones de un sensor son correctas? Descubre el método OQ-TSAE que preserva distinciones de escena y suprime variaciones molestas.
Rastreo de circuitos en modelos de lenguaje de proteínas autoregresivos
Aprende cómo ProGenMech descubre circuitos neuronales en modelos de proteínas para mejorar la generación y predicción de fitness.
Aprendizaje de audio con preentrenamiento sintético y generación procedural
Descubre cómo AudioPG entrena representaciones de audio sin datos reales, logrando alta precisión en benchmarks como ESC-50 en menos de 20 minutos en una GPU.
Analizando representaciones visuales de aeronaves con autoencoders dispersos
Descubre cómo los autoencoders dispersos revelan patrones visuales en aeronaves, mejorando la interpretabilidad de modelos de IA.
Compresión de CSI con Markov VAE contextual en sistemas inalámbricos
El Markov VAE contextual mejora la compresión de CSI en MIMO masivo con retroalimentación limitada. Resultados muestran mejoras significativas.
Entendiendo la Difusibilidad Latente mediante la Geometría de Fisher
Descubre cómo la geometría de Fisher cuantifica la difusibilidad en espacios latentes y explica la degradación en modelos de difusión.
Destilación de Transformers con Deriva mediante Autoencoders de Representación
Descubre Drift-RAE, un método innovador que destila modelos de flujo en espacios latentes ricos, logrando 1.77 FID en ImageNet con solo 10k pasos. ¡Mejora la