Interfaz de lenguaje natural limitada para simulaciones multifísicas en FEniCS
Descubre una interfaz de lenguaje natural para simulaciones multifísicas seguras en FEniCS, sin que la IA genere código crítico.
#lineal
PL-KKT-hPINN: Restricciones no lineales en redes neuronales con proyección lineal por partes
PL-KKT-hPINN impone restricciones no lineales estrictas en redes neuronales. Mejora precisión y robustez en simulaciones reactor químico con datos. Supera PINN.
PL-KKT-hPINN: Proyección lineal para restricciones no lineales en redes neuronales
PL-KKT-hPINN impone restricciones no lineales en redes neuronales con alta precisión y baja violación. Ideal para modelado de reactores.
Pre-AF 13: Puntaje de riesgo de FA interpretable de informes de alta
El modelo interpretable Pre-AF 13 predice el riesgo de FA en pacientes cardiovasculares usando informes de alta, superando scores clínicos.
torch-sla: álgebra lineal dispersa y diferenciable en PyTorch
Descubre torch-sla: álgebra lineal dispersa diferenciable para PyTorch con soporte multi-backend, solucionadores adjuntos y paralelismo tensorial.
GRAU: Unidad de Activación Reconfigurable para Hardware de Redes Neuronales
GRAU: unidad de activación reconfigurable que reduce costos de hardware hasta un 90% en aceleradores de redes neuronales, soportando cuantización mixta y funciones no lineales.
Análisis mecanicista de algoritmos de alineación en modelos de lenguaje
Descubrimos cómo seis algoritmos de alineación (PPO, DPO, SimPO, ORPO, GRPO, KTO) transforman internamente los modelos. Implicaciones para seguridad.
Entre amnesia y caos: trilema de memoria, estabilidad y expresividad en redes de osciladores
Descubre el trilema entre memoria, estabilidad y expresividad en redes de osciladores. ¿Cuándo entrenar el sustrato supera a no hacerlo?
SinkRec: Mitigación del hundimiento semántico en secuencias largas
Descubre SinkRec: modelo que mitiga el hundimiento semántico en recomendaciones de secuencias largas con memoria condicionada y redes delta. Eficiente.
Ablación de componentes en modelos híbridos: rendimiento y compresión
Descubre cómo la ablación de componentes en modelos híbridos revela claves para mejorar rendimiento, resiliencia y compresión. Qwen3.5 y Falcon-H1.
Caracterizando la geometría discreta de las redes ReLU
Las redes ReLU generan regiones lineales. El grado promedio de su grafo está acotado por el doble de la dimensión de entrada y su diámetro es independiente.
Ortogonalidad en clústeres de aerolíneas: PCA y Kernel PCA
Descubre cómo PCA y Kernel PCA revelan la estructura oculta en los ciclos de ganancias de aerolíneas estadounidenses (1995-2020).
Control no lineal de activaciones mediante transformaciones latentes invertibles
Descubre INNSteer: control no lineal de LLMs con transformaciones latentes invertibles que mejora precisión y fluidez sin comprometer la inferencia.
INNSteer: Control no lineal de LLMs con transformaciones latentes
INNSteer revoluciona el control de modelos de lenguaje al aplicar transformaciones invertibles en el espacio latente, logrando intervenciones no lineales adaptables a cada entrada.
Medida geométrica de separabilidad lineal para representaciones neuronales
Métrica LSM para medir separabilidad lineal direccional entre clases en representaciones neuronales. Ideal para diagnosticar arquitecturas de deep learning.
Pronóstico de elecciones japonesas con machine learning no lineal
Descubre cómo los modelos de machine learning no lineal mejoran la precisión en el pronóstico de elecciones japonesas, superando métodos lineales clásicos.
SAD-Flower: Planificación Segura y Consistente con Flow Matching
Descubre cómo SAD-Flower usa flow matching para planificar trayectorias seguras, admisibles y consistentes dinámicamente. Sin reentrenamiento.
Eigenmapas de Transporte Óptimo Entrópico: alineación y embedding conjunto
Descubre cómo los Eigenmapas de Transporte Óptimo Entrópico permiten alinear y proyectar conjuntos de datos de alta dimensión de forma precisa y robusta.
Teoría de decisión estadística con pérdida contrafactual
Descubre cómo la teoría de decisión estadística con pérdida contrafactual permite evaluar decisiones a nivel unitario, superando limitaciones clásicas. Ideal para IA y ciberseguridad.
Flujos normalizadores condicionales para estimación conjunta de estado y parámetros
Descubre cómo los flujos normalizadores condicionales mejoran la estimación de estado y parámetros en sistemas no lineales, aplicados a conducción autónoma y predicción de epidemias. ¡Lee más!