Locomoción todoterreno para rover planetario con suspensión activa
Descubre cómo un rover planetario con suspensión activa aprende a navegar terrenos extremos mediante IA y refuerzo, reduciendo el costo de transporte un 37%.
#neurona
Estimación de profundidad no supervisada con cámara de pila focal
Descubre cómo la estimación de profundidad no supervisada con cámara de pila focal supera a métodos tradicionales. Mejora precisión en visión computacional.
ADAGE: Defensas Activas Contra la Extracción de GNN
Descubre ADAGE: la primera defensa activa que bloquea la extracción de GNNs. Protege tus modelos sin perder rendimiento.
Herencia entre redes feedforward y convolucionales mediante proyección de modelos
Descubre cómo la proyección de modelos permite heredar propiedades entre redes feedforward y convolucionales, logrando transfer learning eficiente y competitivo con ImageNet.
Clustering Continuo No Supervisado con Destilación Bidireccional
Aprende cómo FBCC aplica destilación bidireccional para clustering continuo sin olvidar tareas anteriores. Reduce el olvido catastrófico.
Desmezclado de imágenes ATR-μFTIR en cortes de pinturas al óleo históricas
Descubre cómo un autoencoder CNN separa mezclas espectrales en imágenes ATR-μFTIR de pinturas históricas, mejorando la interpretación sin supervisión.
CoMetaPNS: Aprendizaje continuo meta para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, un nuevo marco de meta-aprendizaje continuo que permite simulaciones cardíacas personalizadas sin olvido catastrófico. Ideal para entornos clínicos.
Interpolación de Kernel de Segundo Orden en Machine Learning
Descubre las fórmulas de interpolación de kernel de segundo orden: incorporan curvatura, ruido de gradiente estocástico y momentum para mejorar predicciones en ML.
Ablación en inferencia NVFP4: bloque, pesos y escala para redes de borde
El estudio de ablación NVFP4 muestra cómo ajustar bloque, pesos y escala logra inferencia eficiente en dispositivos de borde con hasta 26.85x menos energía.
Aprendizaje de sistemas dinámicos no lineales controlados de alta dimensión (I)
Descubre cómo las neural ODEs unifican modelos dinámicos y deep learning, con teoría de campos medios para entrenamiento en alta dimensión.
Locomoción todo terreno para rover planetario con suspensión articulada activa
Descubre cómo un rover planetario con suspensión activa aprende a navegar terrenos extremos. Reduce un 37% el costo de transporte en pendientes arenosas.
Marco adaptativo de limpieza de datos para etiquetas ruidosas
Descubre un marco auto-adaptativo que integra métricas locales, globales y dinámicas para detectar etiquetas ruidosas sin umbrales manuales, mejorando la precisión del modelo.
Dinámicas de aprendizaje bajo reparametrización relativa de modelos singulares
Descubre cómo la reparametrización relativa optimiza la convergencia en modelos singulares como GMM y redes neuronales. Teoría y experimentos.
pTNAS: Búsqueda Progresiva de Arquitecturas Neuronales para Datos Tabulares
Optimiza modelos con pTNAS: acelera hasta 82x la búsqueda de arquitecturas neuronales para datos tabulares. Eficiencia y precisión.
Sesgos en conflicto en el borde de la estabilidad: norma vs nitidez
El aprendizaje no es solo minimizar la norma o la nitidez. Este estudio revela cómo la tasa de aprendizaje equilibra ambos sesgos implícitos. ¡Lee más!
Efecto de la reparametrización con campos neuronales en 4DVAR
Descubre cómo la reparametrización con campos neuronales estabiliza 4DVAR sin datos de entrenamiento, mejorando precisión y velocidad en asimilación de datos.
MIST: Estimación de Información Mutua mediante Entrenamiento Supervisado
MIST: nuevo estimador de información mutua con redes neuronales. Supera métodos clásicos, ofrece intervalos de confianza calibrados y es mucho más rápido.
Algoritmo de evolución dirigida impulsa predicción neuronal
Mejora la predicción neuronal con el algoritmo de evolución dirigida para niños con implantes cocleares, superando escasez de etiquetas y cambio de dominio.
GS-KAN: Redes neuronales eficientes con funciones base compartidas
GS-KAN: arquitectura ligera que reduce parámetros drásticamente. Supera a MLPs y KANs en aproximación, regresión y clasificación. ¡Descúbrelo!
Una visión geométrica para comprender conceptos en autoencoders dispersos
Explora cómo la geometría revela el aprendizaje de conceptos en autoencoders dispersos y permite interpretar neuronas de forma clara.