Transferencia de aprendizaje: Extensiones de Kan para invariantes neuronales
Descubre cómo las extensiones de Kan cuantifican la transferencia de invariantes en redes neuronales, usando teoría de categorías para detectar colapsos.
#invariantes
Alineación Semántica Causal para Pronósticos de Series Temporales con LLM
Descubre cómo CVAformer desenreda componentes dinámicos e invariantes para mejorar los pronósticos de series temporales con LLMs. Resultados superadores.
Comentarios Estilo Contrato (CSC) para la Era de Agentes de IA
Aprende cómo los Comentarios Estilo Contrato (CSC) previenen fallos silenciosos en desarrollo con IA. Ideal para mantener la integridad arquitectónica.
Separando señal y artefactos en datos multisensor para astrofísica
Descubre cómo un nuevo framework de deep learning separa la señal real de artefactos instrumentales en datos multisensor, mejorando inferencia en astrofísica.
Detección de suplantación invariante al hablante con inversión de gradiente
Descubre cómo nuestro modelo de detección de suplantación reduce un 25.7% el error al eliminar el sesgo del hablante, sin usar etiquetas de identidad.
Dual topológico en AlphaGeometry: lógica a topología
Descubre cómo el dual topológico de un dataset transforma la interpretabilidad de modelos neuro-simbólicos, revelando invariantes estructurales en el razonamiento de AlphaGeometry.
Etiquetas duras de objetivos dispersos engañan algoritmos invariantes a rotación
Las etiquetas duras de objetivos dispersos hacen fallar a algoritmos invariantes a rotación. Conoce cómo evitarlo en regresión logística.
Destilación simbólica para métricas de Calabi-Yau
La destilación simbólica logra expresiones compactas para métricas de Calabi-Yau en la quíntica de Dwork con R²=0.9994. Geometría y machine learning unidos.
MINES: Inferencia de invariantes para detección explicable de anomalías
MINES infiere invariantes explicables en APIs web para detectar anomalías con alta precisión y casi cero falsos positivos. Mejora tu seguridad.
Invarianzas representacionales inducidas por tareas según objetivo en RL
¿Sabías que DQN y PPO aprenden representaciones invariantes diferentes? Descubre cómo afecta a la transferencia y la neurociencia.
Inferencia determinista con paralelismo tensorial sin desajuste
Descubre cómo los kernels invariantes de árbol garantizan inferencia determinista con resultados bit a bit idénticos, eliminando el desajuste entre entrenamiento e inferencia en LLMs.
Mecanismo de Atención Hamiltoniano para Huellas de RF
El mecanismo de atención Hamiltoniano identifica transmisores RF con 99.12% de precisión y escala a 150 dispositivos, superando a CNN y Transformers.