Deepcontour: contornos de integración guiados por deep learning
Descubre Deepcontour, un enfoque híbrido que combina deep learning y KDE para resolver problemas de autovalores generalizados a gran escala con hasta 5.63x de aceleración.
#general
Perdidos en la serialización: Invarianza y generalización de razonadores de grafos LLM
Descubre cómo la serialización afecta la invarianza y generalización de los LLM al razonar sobre grafos. Analizamos la robustez ante cambios en etiquetado y estructura.
Aprendizaje preservador de estructura mejora generalización geométrica en PDEs
Descubre cómo el aprendizaje preservador de estructura mejora la generalización geométrica en PDEs con el nuevo método Geo-NeW. Resultados state-of-the-art.
MemCast: Pronóstico de series temporales con razonamiento basado en experiencia
Descubre MemCast, un innovador marco de predicción de series temporales que utiliza memoria jerárquica y razonamiento basado en experiencia para mejorar la precisión y adaptarse continuamente.
CVO Generalizado: Registro local rápido de nubes de puntos sin correspondencias
Descubre cómo Generalized-CVO acelera el registro de nubes de puntos sin correspondencias, reduciendo la deriva en LiDAR y RGB-D con optimización Riemanniana.
Modelado divide y vencerás para el benchmark Lorenz de CTF-4-Science
El modelado divide y vencerás optimiza la predicción de sistemas caóticos en el benchmark Lorenz de CTF-4-Science, superando ruido y pocos datos.
Composición adaptativa unificada para multitarea en modelos base inalámbricos
Descubre cómo el marco RAFC adapta modelos inalámbricos a múltiples tareas con menos de 50K parámetros, combinando características de forma interpretable.
Análisis multinivel del desbalance para no-IID en aprendizaje federado
Descubre cómo FedBB resuelve el desbalance triple en aprendizaje federado con una función de pérdida balanceada y reponderación de clientes, mejorando la precisión y privacidad.
scCBGM: Edición Contrafactual Interpretable de Células Únicas
scCBGM: marco interpretable para edición contrafactual precisa de células individuales. Supera benchmarks en predicción y generalización combinatoria.
Redes controladas por derivadas: precisión y estabilidad de gradiente
Nuevo estudio: Redes controladas por derivadas (CR) logran estabilidad de gradiente y precisión, superando baselines.
Modelos fundacionales de grafos para dinámicas en redes multicapa
Modelo entrenado en redes sintéticas identifica superpropagadores en redes multicapa reales sin reentrenar. Lecciones para modelos fundacionales de grafos.
Dimensión fractal de Fourier para predecir generalización en redes profundas
Descubre cómo la dimensión fractal de Fourier predice la generalización de redes profundas. Supera a métricas tradicionales en CIFAR-10, SVHN y MNIST.
Modelos fundacionales de grafos para dinámicas en redes complejas
Descubre cómo ts-net logra generalización zero-shot en redes reales multicapa y los cinco desafíos clave para construir modelos fundacionales de grafos en dinámicas de sistemas complejos.
Dimensión fractal de Fourier para predecir la generalización de redes neuronales
Aprende cómo la dimensión fractal de Fourier predice la generalización de redes neuronales sin datos de validación. Nueva métrica basada en frecuencia.
Análisis teórico de la memoria y el sobreajuste en modelos de interpolación estocástica
Descubre cómo la memoria y el sobreajuste afectan a los modelos de interpolación estocástica. Análisis teórico con implicaciones para generación de datos y entrenamiento de IA.
PBSD: Destilación Bayesiana Privilegiada para Crédito en Horizonte Largo
Descubre cómo PBSD asigna crédito granular en tareas de largo plazo con auto-destilación bayesiana, mejorando el aprendizaje con recompensas dispersas.
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.
Desacoplamiento Estructural: Generalización y Alineación con Flujo-Andamio
Descubre la teoría de flujo-andamio: cómo el desacoplamiento estructural mejora generalización y alineación en IA.
Desacoplamiento Estructural: Teoría de Andamio-Flujo
Descubre cómo el desacoplamiento estructural mejora la generalización y alineación en IA, explicando fallos de seguridad como alucinaciones y alineación engañosa.
Aprendizaje continuo orientado a decisiones para logística portuaria
Optimiza la programación logística portuaria con aprendizaje continuo, mejorando la generalización y reduciendo costos. ¡Lee más!