CausalMoE: modelo fundacional multimodal para causalidad de Granger
CausalMoE, un modelo multimodal, revoluciona la detección causal de Granger usando expertos heterogéneos y patrones temporales, integrando LLMs y VLMs.
#modelo fundacional
CausalMoE: Modelo fundacional multimodal para causalidad Granger
Descubre CausalMoE, el primer modelo fundacional multimodal que integra LLMs y VLMs para descubrimiento causal Granger preciso en series temporales complejas.
GLACIER: Modelo multimodal estudiante-maestro para propiedades moleculares
GLACIER integra gráficos, SMILES y descriptores fisicoquímicos para predecir propiedades moleculares con alta eficiencia. Código abierto.
OmniLoc: Modelo geométrico para localización sin anclas en interiores
OmniLoc: modelo fundacional para localización sin anclas en interiores, con precisión geométrica y Transformer. Descubre cómo supera a métodos existentes.
OmniLoc: Modelo geométrico para localización sin anclas en interiores
OmniLoc: modelo fundacional geométrico para localizar dispositivos sin anclas en interiores. Supera variaciones de entorno y mejora precisión.
FlexiBrain: Codificación de voxel independiente de resolución para fMRI nativa
FlexiBrain elimina el preprocesamiento destructivo en fMRI, mejorando hasta 12 puntos en neurociencia sin aumentación. Plug-in eficiente para modelos de voxel.
El lenguaje de las series temporales: UniTok, tokenizador universal
UniTok convierte series temporales en tokens para modelos fundacionales. Permite pronóstico zero-shot, generación y clasificación sin entrenamiento.
TractFM: modelo fundacional de tractogramas
TractFM: el primer modelo fundacional que aprende representaciones de tractogramas completos para segmentación de vías y predicción de fenotipos cerebrales.
CITRAS-FM: Modelo Fundacional Pequeño para Pronóstico con Covariables
CITRAS-FM: modelo tiny de 7M parámetros para pronóstico zero-shot con covariables. Precisión de vanguardia con inferencia en CPU en tiempo real. ¡Descúbrelo!
GNSS-FM: modelo base auto-supervisado para series de desplazamiento GNSS
GNSS-FM: modelo auto-supervisado con 17.000 estaciones. Supera a métodos supervisados en predicción y detección de saltos sísmicos. ¡Descúbrelo!
Tyan-WP: modelo fundacional de IA para predicción eólica a corto plazo
Descubre Tyan-WP, el primer modelo fundacional para predicción eólica probabilística sin entrenamiento local. Reduce errores y acelera conexión a la red.
Hypnos: representaciones del sueño con predicción del siguiente token
Hypnos: modelo fundacional multimodal que predice el siguiente token en señales fisiológicas, supera modelos existentes y requiere 100x menos datos etiquetados.
DIYHealth Suite: dataset, modelo y benchmark para salud en casa
Descubre DIYHealth Suite: dataset multimodal, modelo adaptativo y benchmark para gestión de salud en casa con IA generativa. Ideal para cuidado personalizado.
TokaMind: modelo fundacional multimodal para dinámica de plasma en tokamaks
Descubre TokaMind, el primer modelo fundacional multimodal para dinámica de plasma en tokamaks. ¡Código abierto y supera benchmarks!
Modelo fundacional generativo para diseño de polímeros lineales
Descubre PolyConFM, el modelo fundacional que revoluciona el diseño de polímeros lineales usando IA generativa centrada en conformación. Mejora precisión en múltiples tareas.
Modelo PPG robusto con supervisión fisiológica multimodal
Descubre cómo un modelo PPG entrenado con señales de ECG y respiración logra mayor robustez y precisión en 14 de 15 tareas, incluso con datos de wearables.
Aprovechando el contexto estructural para la alineación de entidades
ContextEA mejora la alineación de entidades en grafos de conocimiento aprovechando el contexto estructural. Resultados superiores.
HEIST: modelo fundacional de grafos para datos espaciales de transcriptómica y proteómica
HEIST: modelo fundacional de grafos para transcriptómica y proteómica espacial. Aprende cómo analiza tejidos con grafos jerárquicos y logra predicciones clínicas de vanguardia.
No hay que entrenar tu modelo fundacional de RDB
Descubre cómo usar modelos fundacionales de IA para predicción en bases de datos relacionales sin necesidad de entrenar ni ajustar. Con RDBLearn, resultados robustos de inmediato.
TS-ICL: Un modelo flexible de series temporales mediante aprendizaje en contexto
Descubre TS-ICL, un innovador modelo de series temporales que unifica pronóstico e imputación mediante aprendizaje en contexto. Supera a otros modelos en imputación y pronóstico con datos parciales.