ML científico para predicción de vida útil restante en motores
Descubre cómo el ML científico predice la vida útil de motores y su temperatura con incertidumbre cuantificada para un mantenimiento inteligente y seguro.
#learn
Separando secretos de placeholders: detección híbrida CNN-CodeBERT
Nuevo marco híbrido CNN-CodeBERT detecta filtraciones de credenciales con 93% de recall y reduce alertas falsas en 33%
Descubrimiento Causal Federado con Intervenciones Desconocidas
Descubre I-PERI, un algoritmo federado que recupera estructuras causales a partir de datos heterogéneos con intervenciones desconocidas, mejorando privacidad y precisión.
¿Quién es responsable? Atribución en sistemas de IA modernos
Aprende a rastrear la responsabilidad en sistemas de IA modernos: nuestro marco cuantifica el impacto de cada etapa de desarrollo para una IA más responsable.
Puntos ciegos del desaprendizaje: sobre-desaprendizaje y ataque prototípico
Descubre los puntos ciegos del desaprendizaje automático: sobre-desaprendizaje y ataque de reaprendizaje. Spotter los neutraliza.
DISCO: Mitigación de sesgo en deep learning con correlación condicional
Aprende cómo DISCO mitiga sesgos en modelos de deep learning usando correlación de distancia condicional. Resultados más precisos y robustos.
Identificación no destructiva de ostras con imágenes hiperespectrales y machine learning
Identifique especies de ostras sin dañarlas con imágenes hiperespectrales y machine learning. Precisión del 100% mediante PLS-DA. Método no destructivo para trazabilidad.
SDM-Q: Aprendizaje por refuerzo con coste para clasificación multi-ómica
Descubre cómo SDM-Q usa aprendizaje por refuerzo para clasificar enfermedades con menos datos ómicos, reduciendo costes y manteniendo precisión.
Codificación Predictiva con Lagrangiano Aumentado
Descubre PC-ALM: un algoritmo de codificación predictiva que iguala el rendimiento de la retropropagación usando dinámicas locales. Ideal para redes profundas.
Modelado de series temporales multiescala generalizado con un solo operador
Descubre cómo SiGMA generaliza el modelado multiescala de series temporales con un solo operador, logrando 5.3x más velocidad y 3.8x menos memoria.
TabCausal: Preentrenamiento en Entornos Causales para Detección Causal en Tablas
TabCausal aprende relaciones causales en datos tabulares con preentrenamiento en múltiples entornos. Supera métodos clásicos, ideal para intervenciones.
Más allá de modelos aditivos: separabilidad e interpretabilidad
Descubre Tensor Separation Learning, método de regresión que supera modelos aditivos (GAMs, SHAP) ofreciendo visualizaciones fieles sin cancelación de señales.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo el marco de Lyapunov permite analizar la convergencia en tiempo finito de algoritmos estocásticos como Q-learning y SGD. Ideal para IA y RL.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo las funciones de Lyapunov permiten analizar la convergencia finita de algoritmos estocásticos en aprendizaje automático y refuerzo.
El olvido tiene vecinos: olvido colateral localizado
El olvido colateral localizado afecta a datos cercanos al desaprender en machine unlearning. Descubre cómo mitigarlo con destilación de profesor local.
DG-CoLearn: Un marco eficiente de aprendizaje colaborativo para grafos dinámicos
Descubre DG-CoLearn: acelera hasta 33.8x el aprendizaje en grafos dinámicos con privacidad estructural y mejora del 13% en precisión.
Modelos Generativos y Validación Estadística
Descubre cómo los modelos generativos modernos transforman la física y cómo medir su precisión, exactitud y potencia estadística.
Transporte de Sargassum: aprendizaje con datos limitados
Descubre la IA y el machine learning mejoran la predicción del transporte de sargazo con datos limitados de boyas. Aplicaciones en Puerto Rico y Gulf Stream.
Geometría de acantilados de actividad: dependencia de la representación
Descubre cómo la representación molecular define los acantilados de actividad. Benchmark revela que ninguna representación es universal.
SPUNA: aprendizaje PU robusto para detectar cambio de covariable
SPUNA detecta cambios de covariable con aprendizaje PU y geometría local, igualando rendimiento supervisado. Ideal para visión robusta.