Restricciones en las salidas de redes neuronales ReLU
Descubre cómo las redes neuronales ReLU pueden ser caracterizadas mediante ecuaciones polinómicas y variedades algebraicas, revelando su expresividad y
#expresividad
Geometría y Optimización de Redes Convolucionales Polinomiales
Descubre cómo la geometría algebraica revela la expresividad de las redes convolucionales polinomiales y optimiza su entrenamiento.
Por qué importa la profundidad en modelos secuenciales: álgebra de Lie
Descubre cómo la profundidad en modelos secuenciales afecta su expresividad. Un enfoque algebraico de Lie revela que el error decrece exponencialmente. Lee más.
Entre amnesia y caos: trilema de memoria, estabilidad y expresividad en redes de osciladores
Descubre el trilema entre memoria, estabilidad y expresividad en redes de osciladores. ¿Cuándo entrenar el sustrato supera a no hacerlo?
¿Por qué las RNN lineales son más paralelizables?
Las RNN lineales ofrecen un equilibrio óptimo entre paralelización y expresividad. Descubre por qué superan a las RNN no lineales en eficiencia y su impacto en modelos de lenguaje avanzados.