Redondeo Adaptativo que Preserva el Modelo
Descubre YAQA: algoritmo de redondeo adaptativo que reduce el error de cuantización un 30% frente a GPTQ. Cotas de error garantizadas sin coste de inferencia.
#neurona
MesaNet: Entrenamiento Localmente Óptimo en Tiempo de Prueba
MesaNet optimiza el entrenamiento en tiempo de prueba para mejorar el rendimiento en secuencias largas. Menor perplejidad y mayor eficiencia.
Estimación de incertidumbre con distribuciones de varianza controlada
Nueva técnica para cuantificar la incertidumbre en redes neuronales usando la varianza de las predicciones. Ideal para aplicaciones críticas.
ClustRecNet: aprendizaje profundo para recomendar clustering
Descubre ClustRecNet, un marco de IA que recomienda el mejor clustering y supera a métodos tradicionales y AutoML.
DVGT: Transformador de Geometría Visual para Conducción Autónoma
Descubre DVGT, un innovador modelo que reconstruye mapas 3D sin parámetros de cámara para conducción autónoma.
VeriFIRE: verificación de consistencia en detección de incendios con DNN
Descubre cómo el proyecto VeriFIRE verifica propiedades de consistencia en un sistema de detección de incendios con redes neuronales, logrando soluciones rápida
EpiFormer: Deep learning geométrico para predecir epítopos
EpiFormer revoluciona la predicción de epítopos con deep learning geométrico, logrando un 40% más de precisión. Descubre cómo mejora la comprensión inmunológica.
Puente de Schrödinger de Campo Medio No Local con Interacciones Aprendidas
Descubre cómo las redes neuronales optimizan el Puente de Schrödinger de Campo Medio, reduciendo costos de cuadrático a lineal en sistemas de partículas con interacciones no locales.
Defensa generalizada contra ataques a parámetros en DNN
Descubre ParDef, una defensa generalizada que protege redes profundas contra ataques a parámetros dispersos, continuos y estructurados sin perder rendimiento.
Control de FDR con knockoffs en redes neuronales profundas
Descubre cómo los métodos knockoff controlan la tasa de falsos descubrimientos en redes profundas, simplificando modelos sin perder precisión.
Aprendiendo Modelos Multi-Índice: Planitud y Generalización en Redes Homogéneas
La planitud mínima de los interpoladores garantiza la generalización en modelos multi-índice con redes homogéneas.
Control de falsos descubrimientos y simplificación en DNN con knockoffs
Descubre cómo los métodos knockoff permiten seleccionar variables relevantes en redes neuronales profundas, reduciendo la complejidad y manteniendo el control de falsos descubrimientos.
Aplanamiento y generalización en redes neuronales homogéneas
Descubre cómo los interpoladores más planos siempre generalizan en redes neuronales homogéneas, según un nuevo estudio sobre modelos multi-índice.
Selección de rasgos radiomicos vía gradiente de red para cáncer de pulmón
Descubre cómo el método GL-RFE selecciona las características radiomicas más relevantes para detectar el estadio del cáncer de pulmón con un 90% de precisión.
Reconstrucción de campos térmicos no observables con simulación e IA
Descubre cómo reconstruir campos de temperatura no observables con IA y simulación. Monitoreo en tiempo real para industria.
Aproximaciones neuronales certificadas de dinámicas no lineales
Nuevo método adaptativo certifica redes neuronales para dinámicas no lineales con cotas de error formales, superando al estado del arte. Ideal para sistemas críticos.
Corrección de ruido en etiquetas para GNNs robustas por contradicción de influencia
Descubre ICGNN, un método innovador que usa contradicción de influencia para detectar y corregir ruido en etiquetas de GNNs, mejorando la robustez en grafos.
Las características de agregación fija pueden rivalizar con las GNN
Las FAFs convierten el aprendizaje en grafos en problemas tabulares, rivalizando con las GNNs sin entrenamiento. Mayor interpretabilidad.
Componentes no suaves optimizan el ajuste fino de Vision Transformer
Descubre cómo los componentes no suaves en Vision Transformer mejoran el ajuste fino. La plasticidad de atención y feedforward supera al smoothness tradicional.
Aprendizaje funcional profundo bayesiano disperso y selección de regiones
sBayFDNN: modelo bayesiano profundo que selecciona regiones funcionales con incertidumbre cuantificada para predicciones en ECG, neuroimagen y wearables.