Clasificación híbrida de malware con fusión de características secundarias
Descubre cómo un enfoque híbrido con fusión de características secundarias logra un 99.72% de precisión en clasificación de malware. ¡Mejora tu ciberseguridad!
#método
Introducción a métodos de optimización para entrenar modelos SciML
Aprende cómo la física y los operadores diferenciales condicionan la optimización en SciML. Métodos de primer y segundo orden, aplicaciones prácticas y desafíos.
Algoritmo de gradiente no monótono para NMF simétrica y clustering
Algoritmo SNMPBB: gradiente no monótono para NMF simétrica. 6x más rápido que alternativas y superior en clustering de grafos. ¡Optimiza!
Reveal-IG: Atribución por caminos distribucionales
Reveal-IG: atribución basada en caminos distribucionales. Atribuciones estables con signo sin artefactos. Ideal para explicabilidad en IA.
Extracción profunda con IA: hallazgos clave, métodos y poblaciones
Aprende a usar IA y el framework I/E-O-M-P para extraer hallazgos, métodos y poblaciones de artículos científicos. Automatiza tu revisión de literatura.
Flujos Wasserstein Acelerados para Optimización Multiobjetivo
Descubre cómo el nuevo algoritmo A-MWGraD acelera la optimización multiobjetivo en espacios de Wasserstein, logrando convergencia O(1/t²) y mejor muestreo.
Conformal C2ST: Convertir clasificadores débiles en pruebas de dos muestras
Descubre cómo el Conformal C2ST convierte clasificadores débiles en potentes pruebas de dos muestras para validar modelos de inferencia bayesiana.
Benchmark de inferencia sin verosimilitud: redes neuronales y transporte óptimo
¿Cuál es el mejor método de inferencia sin verosimilitud? Comparamos redes neuronales y transporte óptimo en datos extremos y discretos.
Inferencia basada en momentos para regresión con covariables Latent Dirichlet
Aprende cómo los momentos corregidos evitan la incertidumbre al inferir coeficientes de regresión con modelos de tópicos.
Cómo ampliar el aprendizaje centrado en decisiones con estimación de gradiente
Nuevo método basado en función de puntuación amplía el aprendizaje centrado en decisiones a problemas con incertidumbre en restricciones.
MPMWorlds: Simulaciones MPM para inferir y extrapolar dinámicas físicas
Descubre MPMWorlds, un dataset de simulaciones físicas con el Método de Puntos Materiales. Comparamos generación de código y difusión de video para inferir y extrapolar dinámicas. ¡Lee más!
Aproximación de divergencias-f con estadísticos de rango
Aproxima divergencias-f con estadísticos de rango. Método rank-statistic para alta dimensión usando proyecciones aleatorias. Eficiente y validado.
Precisión de la aproximación gaussiana en iteraciones de SA
Descubre cómo una gaussiana aproxima iteraciones de SA con cotas de error explícitas y tasas de convergencia óptimas, validado con simulaciones.
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.
Compensación entre eficiencia y confianza en predicción conforme transductiva
Descubre dilema en predicción conforme transductiva: mayor confianza implica conjuntos exponencialmente grandes. Nuevo algoritmo supera métodos tradicionales.
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.
BLISS: Método ligero de influencia bilevel para selección de datos
BLISS: método ligero para selección de datos en preentrenamiento de LLMs. Logra 1.7x de aceleración sin modelos externos.
Tempora: Evaluando la utilidad temporal de la adaptación en tiempo de prueba
Descubre cómo Tempora evalúa la adaptación en tiempo de prueba bajo presión temporal. Conoce métricas para elegir el mejor método según latencia y precisión.
Transformers con normalización de capa aprenden el método de potencia
Transformers con normalización de capa aprenden el método de potencia por gradiente descendente, revelando un sesgo algorítmico que mejora la predicción de componentes principales.
Reducción de Varianza del Punto Óptimo en Optimización Bayesiana
El método OVR reduce la varianza del punto óptimo en optimización bayesiana con garantía de arrepentimiento. ¡Descubre sus fundamentos!