PhysGuard: Proyección de Gradiente Fisher para PDE Neuronales
PhysGuard adapta modelos de PDE de simulación a datos reales preservando la física. Reduce errores hasta un 32% en dominios severos.
#fisher
p-PSO: Optimización por enjambre penalizada para diseños D-óptimos
Descubre cómo el p-PSO penaliza la optimización para hallar diseños D-óptimos en GLM con factores mixtos. Método eficiente y versátil.
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.
Reducción de varianza para muestreo no-log-cóncavo en problemas inversos
Descubre cómo las técnicas de reducción de varianza mejoran el muestreo de distribuciones no-log-cóncavas en problemas inversos, con aplicaciones en imágenes.
Análisis de sensibilidad local con Fisher Information en imágenes médicas
Descubre cómo la Matriz de Información de Fisher dependiente de entrada analiza la sensibilidad local de clasificadores médicos. Mejora la interpretabilidad.
Fisher dependiente de entrada para sensibilidad local en clasificadores médicos
Descubre cómo la matriz de Fisher dependiente de entrada revela la sensibilidad predictiva en clasificadores de imágenes médicas.
Variables Canónicas en el Espacio Métrico de Wasserstein
Descubre cómo las variables canónicas en el espacio métrico de Wasserstein mejoran la clasificación de distribuciones mediante la maximización de la razón de
Estimación Directa del Puntaje de Fisher para Máxima Verosimilitud
Descubre cómo la estimación directa del Fisher score optimiza la verosimilitud usando simulaciones locales. Método rápido, flexible y eficiente para modelos intratables.
Entropía, desacuerdo y los límites de los modelos fundacionales en genómica
Descubre por qué los modelos de IA fallan en genómica: la alta entropía del ADN limita el aprendizaje y genera desacuerdo.
Evaluación autosupervisada del espacio de representación de modelos de difusión
Aprende cómo el índice ICR permite evaluar representaciones y generación en modelos de difusión, detectando memorización temprana sin datos externos.
Aprendizaje continuo orientado a decisiones para logística portuaria
Optimiza la programación logística portuaria con aprendizaje continuo, mejorando la generalización y reduciendo costos. ¡Lee más!
Dinámicas de aprendizaje bajo reparametrización relativa de modelos singulares
Descubre cómo la reparametrización relativa optimiza la convergencia en modelos singulares como GMM y redes neuronales. Teoría y experimentos.
Dimensionalidad efectiva: invariante de operador en adaptación de restricciones en PINNs
Descubre la dimensionalidad efectiva actúa como invariante de operador en PINNs para adaptar condiciones de frontera sin retrain. Adaptación rápida y precisa.
Menos es MoE: Recortando expertos en modelos de lenguaje especializados por dominio
Descubre cómo Fisher-MoE recorta dimensiones intermedias para comprimir modelos MoE al 50%, reduciendo memoria un 45% y acelerando inferencia un 21% sin perder capacidad.
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.