Límites pseudoespectrales en descenso de gradiente acoplado
Descubre cómo los nuevos límites pseudoespectrales revelan amplificación transitoria en gradiente acoplado. Clave para optimización bilevel y adversarial.
#espectral
HalfNet: Redes Neuronales Aleatorias con Geometría de Subespacio
Descubre HalfNet, la red neuronal que aprende la geometría de sus pesos aleatorios. Reduce parámetros sin perder precisión en MNIST y CIFAR-10.
Robustez de modelos vía información de Fisher: límites y algoritmos
Descubre cómo medir la robustez de modelos de IA con la información de Fisher, una métrica atacable-agnóstica que predice vulnerabilidad adversarial. Guía teórica y práctica.
AlphaQ: Asignación de bits sin calibración para cuantización de MoE
Descubre AlphaQ, un método sin calibración que asigna bits a expertos en MoE basado en la pesadez espectral. Logra compresión 4x con precisión casi total.
Decaimiento de bajo rango para grokking en transformers invariantes a escala
Descubre cómo el decaimiento de bajo rango (LRD) acelera el grokking en transformers invariantes a escala, comprimiendo valores singulares.
SFMambaNet: Frecuencia Espectral para Poda de Correspondencias
SFMambaNet integra frecuencia espectral y Mamba para poda de correspondencias, superando a métodos GNN con eficiencia lineal. ¡Descúbrelo!
Recuperación parcial y consistencia débil en HSBM no uniforme
Descubre cómo un nuevo algoritmo espectral logra recuperación parcial y consistencia débil en el modelo HSBM no uniforme para detección de comunidades en hipergrafos.
PHASE: Reconstrucción Hiperespectral Consciente de Fisiología
PHASE: nuevo método de IA para reconstrucción hiperespectral fisiológica desde RGB. Logra +2.20 SSIM y -3.06 SAM con solo 1.5% de datos. Ideal para diagnóstico no invasivo.
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.
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.
Modelo base de grafos con análisis espectral y propagación guiada por prototipos
Descubre cómo SPG combina filtros Chebyshev y prototipos para generalizar entre grafos de distintos dominios. Mejora la transferencia de conocimiento en IA.
Modelo Fundacional de Grafos con Parseo Espectral y Propagación Espacial Guiada
Descubre SPG, un modelo fundacional de grafos que combina parseo espectral y propagación guiada por prototipos para transferencia entre dominios.
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.
Corrigiendo el sesgo espectral en operadores neurales con difusión posterior
Corrige sesgo espectral en operadores neuronales usando difusión posterior y observaciones dispersas, logrando predicciones precisas con solo un 5% de cobertura.
Espectro asintótico en pérdida de redes neuronales: descomposición del exponente de curvatura
Descubre cómo la curvatura de la pérdida en redes neuronales varía según la arquitectura. Una descomposición exacta revela la relación entre Hessiano y gradient
Actualizaciones de objetivo periódicas y suaves estabilizan el Q-learning lineal
Descubre cómo las actualizaciones periódicas y suaves de objetivo garantizan la convergencia del Q-learning lineal, según un riguroso análisis teórico.
Refinamiento iterativo espectral-desacoplado para predicción de precipitaciones
Descubre SDIR: elimina desenfoque y alucinaciones en nowcasting con refinamiento espectral-desacoplado. Alta precisión y fidelidad.
EqGINO: Operadores Neuronales de Fourier con Geometría Equivariante para PDE 3D
Descubre EqGINO, un marco de aprendizaje profundo que garantiza equivariancia geométrica para resolver PDEs 3D en dominios complejos. ¡Mejora la precisión de tus simulaciones!
L2G-Net: Redes de grafos espectrales local-global con factorización Cauchy
Descubre cómo L2G-Net revoluciona las GNN espectrales con factorizaciones de Cauchy, escalando a grafos grandes con pocos parámetros.
Deriva Generativa y Score Matching: Perspectiva Espectral y Variacional
El Drifting Generativo no es magia: es Score Matching. Aprende su teoría, la elección de kernels, y cómo estabilizar el entrenamiento con el operador stop-gradient.