Almuerzo gratis de colas pesadas para Muon: justificación teórica
Muon optimiza transformers con ruido pesado: logra eficiencia óptima teórica. ¡Descubre cómo supera a métodos euclidianos!
#euclid
CANN-EUCLID: modelos constitutivos no supervisados con datos de campo completo
Descubre cómo CANN-EUCLID identifica leyes hiperelásticas sin datos de estrés local, usando desplazamientos y fuerzas de reacción. Modelado no supervisado.
Mirror Descent: sensibilidad exponencial a la inicialización
Descubre cómo Mirror Descent puede amplificar pequeños errores de inicialización de forma exponencial, afectando la reproducibilidad en entrenamiento de IA y modelos de lenguaje.
En defensa de la similitud coseno: la normalización elimina la libertad de gauge
Descubre por qué la similitud coseno es válida al normalizar embeddings. Elimina la libertad de gauge y obtén rankings de vecinos consistentes.
Covarianza cruzada riemanniana intrínseca invariante al punto base
Descubre la covarianza riemanniana para datos en variedades: teoría, propiedades asintóticas y experimentos con formas cardíacas.
Optimización Riemanniana Descentralizada en Línea más allá de Hadamard
Nuevo algoritmo de optimización Riemanniana descentralizada online con consenso curvatura y cota de arrepentimiento O(√T).
Tu banco te envió un SMS. No hagas clic, aunque sea real
La biometría de grado empresarial ahora está al alcance de todos. Descubre cómo la distancia euclidiana transforma la verificación facial y por qué no debes hac
Correlación geométrica de segundo orden para reconocer emociones en habla
Reconocimiento de emociones en habla con correlación geométrica de segundo orden. Aprendizaje auto-supervisado preserva geometría de características.
Construyendo espacios latentes de VAE con topología prescrita
Aprende a construir espacios latentes de VAE con topología prescrita, resolviendo el desajuste topológico y mejorando la calidad de reconstrucción en datos no euclidianos. Resultados superiores.
Regresión Fréchet de Índice Único Profundo
Descubre DeSI: una técnica de regresión semiparamétrica que combina redes neuronales profundas con un índice interpretable para predecir en espacios métricos como distribuciones y matrices.
R^{2k} es teóricamente suficiente para recuperación top-k
La investigación demuestra que la dimensión R2k es suficiente para recuperación top-k exacta con embeddings. Resultados sorprendentes en teoría y experimentos.
Aprendizaje profundo extremo a extremo para predecir salidas en espacios métricos
E2M revoluciona la predicción de datos no euclidianos con deep learning. Conoce su teoría, rendimiento y aplicaciones en mortalidad y tráfico.
Corrigiendo la Falacia Euclidiana en Políticas VLA con Lie Diffuser Actor
Lie Diffuser Actor corrige la falacia euclidiana en políticas VLA usando difusión en el espacio tangente de SE(3). Mejora un 7.3% en CALVIN ABC→D.