Generalización homotópica de inferencia neurosimbólica
Mejora la inferencia neurosimbólica con teoría de tipos homotópicos: elimina atajos y obtén un posterior de conceptos más preciso.
#mnist
MiniFool: Ataques Adversarios de Minimización con Restricciones Físicas
Descubre MiniFool, un algoritmo de ataques adversarios con restricciones físicas para evaluar la robustez de redes neuronales en clasificación de datos
HiRo: Compacto mezclador jerárquico de tokens para clasificación de imágenes
HiRo logra 99.46% en MNIST, 85.57% en CIFAR-10 y 59.10% en CIFAR-100 con menos de 1M de parámetros. Descubre este modelo eficiente de clasificación de imágenes.
Redes Neuronales Z-Plane: activación geométrica acotada reemplaza ReLU y LayerNorm
Descubre Z-Plane, la red neuronal que elimina ReLU y LayerNorm con una activación geométrica acotada. Preserva dirección, evita neuronas muertas y logra 98.34%
Benchmarking de ruido de etiquetas con corrupciones controladas
Descubre CILN, un nuevo marco para generar ruido de etiquetas realista y controlable. Evalúa el impacto de corrupciones controladas en algoritmos de
Encontrar subredes dispersas con poda progresiva basada en magnitud en un ciclo
Descubre cómo la poda progresiva basada en magnitud encuentra subredes dispersas en un solo ciclo de entrenamiento, superando a LTH y SNIP en precisión.
Amnistía Internacional: posibles violaciones de derechos humanos en el Mundial
Amnistía Internacional advierte sobre violaciones de derechos humanos a aficionados del Mundial. Descubre los riesgos de vigilancia y privacidad.
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.
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.
Aprendizaje de mapas de características cuánticas con recursos reducidos
Descubre Q-FLAIR, un algoritmo cuántico que reduce la sobrecarga de recursos. Logra más del 90% de precisión en MNIST con IBM en solo 4 horas. ¡Aprende cómo!
SmartMixed: Estrategia en dos fases para funciones de activación adaptativas
SmartMixed: una estrategia en dos fases para que cada neurona aprenda su función de activación óptima. Mejora eficiencia y rendimiento en redes neuronales.
Representaciones unívocas: teoría de la información en redes neuronales
Las redes neuronales pueden tener representaciones sin ambigüedad usando teoría de la información. Un estudio logra decodificar neuronas con 100% de precisión.
Reconocimiento inteligente de caracteres manuscritos con redes neuronales profundas
Descubre cómo una red neuronal profunda logra un 88.28% de precisión en reconocer caracteres manuscritos. Enfoque innovador unifica detección y clasificación.
Aumann-SHAP: Geometría de interacciones contrafactuales en Machine Learning
Descubre Aumann-SHAP, un marco que descompone transiciones contrafactuales usando geometría de hipercubos. Corrige sesgos y mejora la interpretabilidad en ML.
HalfNet: Redes Neuronales Aleatorias con Geometría de Subespacio
Descubre HalfNet, la red neuronal que aprende la geometría de sus pesos aleatorios. Reduce parámetros sin perder precisión en MNIST y CIFAR-10.
Inestabilidad en la dirección de puntuación en detección de anomalías
La detección de anomalías con división de clases puede ser inestable. Un nuevo método sin entrenamiento (fuga de vecindad) predice la inestabilidad. Descubre cómo afecta a modelos en CIFAR-10 y más.