Clasificación de sonidos ambientales con difusión en espacio de embeddings
Descubre cómo los modelos de difusión superan a métodos previos en clasificación zero-shot de sonidos ambientales, mejorando la generalización a clases no vistas.
#learn
Descenso Espejo Bajo Suavidad Generalizada
Descubre cómo el descenso espejo se adapta a suavidad generalizada para optimizar objetivos no suaves, con aplicaciones en entrenamiento de LLMs. ¡Conoce las nuevas garantías de convergencia!
Predicción atmosférica más allá de 30 días con machine learning
Descubre cómo GraphCast, un modelo de machine learning, logra predicciones atmosféricas con un 86% menos de error a 10 días y habilidad más allá de 30 días.
Benchmarking de tiempo hasta evento para mortalidad en lista de espera cardíaca
Predicción precisa de mortalidad en lista de espera cardíaca con nuevos modelos basados en dataset UNOS. C-Index 0.94.
Alerta temprana basada en mediciones de fallos de fiabilidad en redes ferroviarias 5G NSA
Descubre cómo los modelos de machine learning anticipan fallos de fiabilidad en redes 5G NSA ferroviarias usando mediciones en tiempo real. Un estudio con CNN, LSTM y más.
Más allá del procedimiento: Equidad sustancial en predicción conforme
Igualar tamaños de conjuntos en predicción conforme mejora la equidad sustancial. Descubre cómo un evaluador LLM facilita el análisis. ¡Optimiza tus modelos!
Profundidad Polar para Datos Potencialmente de Cola Pesada
Descubre la profundidad polar, una nueva métrica para ordenar extremos en datos de cola pesada y detectar anomalías multivariantes. Aplicaciones en ciberseguridad y análisis de riesgos.
Aprendizaje automatizado de políticas para bienestar no lineal
Descubre un nuevo método de aprendizaje de políticas para bienestar no lineal con datos observacionales y corrección de sesgo vía reweighting.
Evaluación de disparidades raciales en gastos sanitarios mediante mediadores
Descubre cómo el machine learning descompone las disparidades raciales en gastos sanitarios, identificando el impacto de mediadores como nivel socioeconómico y acceso a seguros.
Explorando patrones de ingresos con Python: Pandas, Matplotlib y Seaborn
Descubre cómo analizar patrones de ingresos con Pandas, Matplotlib y Seaborn usando datos del censo de EE.UU. Visualizaciones claras y código paso a paso.
Precisión y diversidad: enfoque multi-tarea para combinar pronósticos
Descubre cómo un enfoque multi-tarea optimiza precisión y diversidad al combinar modelos de pronóstico mediante deep learning. Resultados superiores en M4 y tráfico real.
Resolviendo ecuaciones diferenciales con deep learning: aspectos prácticos
Aprende a resolver ecuaciones diferenciales con deep learning: redes neuronales, retropropagación y método Deep Galerkin. Sin GPU.
Procesos Gaussianos de Media Fija para Inferencia Bayesiana Post-hoc en Deep Learning
Descubre cómo FMGP mejora la estimación de incertidumbre en redes profundas pre-entrenadas sin sacrificar precisión, escalando a grandes datasets.
LeARN: Aprendizaje y Adaptación para Identificación de Sistemas No Lineales
El marco LeARN aprende funciones base mediante meta-aprendizaje, adaptándose a dinámicas no lineales y superando las limitaciones de SINDy.
Calibración de modelos de árbol para clasificación desbalanceada
La calibración analítica en Random Forest con submuestreo genera sesgos. Descubre por qué y aprende la beta calibración como solución.
Avances en agrupamiento local en grafos mediante detección compresiva
Descubre cómo los nuevos métodos de agrupamiento local en grafos mediante detección compresiva logran resultados de vanguardia con pocos datos etiquetados.
Unlearning no es invisible: huellas en LLMs
Descubre cómo el unlearning deja huellas detectables en los LLMs a través de sus salidas. Un nuevo riesgo para la privacidad y la ciberseguridad.
Algoritmo mejorado para bandidos contextuales lineales adversariales
Descubre un nuevo algoritmo que logra regret casi óptimo en tiempo polinomial para bandidos contextuales lineales con pérdidas adversariales, sin necesidad de simulador.
Secuencias Neuronales de Baja Discrepancia
Descubre cómo NeuroLDS utiliza aprendizaje profundo para generar secuencias de baja discrepancia, superando métodos clásicos en integración numérica y robótica.
Escalamiento de profundidad con expansión de capas cero/uno
Descubre cómo la expansión de capas cero/uno acelera el entrenamiento hasta 5x y ahorra un 80% de cómputo sin perder rendimiento.