Redes Neuronales Fourier Multicomponente y Multicapa: Potencial de Alta Frecuencia
Redes FMMNN: precisión excepcional en funciones oscilatorias con activaciones seno y estructura multicomponente. Inicialización escalada acelera entrenamiento.
#neurona
Memoria explícita del hipocampo: piedra angular para la IAG
Descubre por qué la memoria explícita del hipocampo es clave para avanzar de los LLM a la IAG. Un enfoque neurocientífico para la inteligencia artificial general.
Detección de rupturas estructurales con LSTM en reservas de seguros
Las redes neuronales LSTM detectan rupturas estructurales en reservas de seguros con datos climáticos. Mejora la precisión hasta un 20%.
Detección de rupturas estructurales en reservas de seguros con LSTM climático
Las LSTM detectan rupturas en reservas de seguros por catástrofes climáticas, mejorando precisión un 20%. Estudio con datos de huracanes.
SirenFNO: Aprendizaje eficiente de frecuencias completas en FNO
SirenFNO elimina el truncamiento de frecuencias en FNO, logrando reducción de parámetros de hasta 73x. Aprende frecuencias completas de forma eficiente.
Redes neuronales destiladas con física y LLM para fabricación
Redes neuronales destiladas con física y LLM predicen propiedades en fabricación con alta precisión con datos escasos, para despliegue en tiempo real.
Redes neuronales destiladas con física y LLMs para fabricación
Descubre cómo redes neuronales destiladas con física y LLMs predicen propiedades de fabricación incluso con datos escasos. Ideal para monitoreo en tiempo real.
Identificación de dispositivos IoT con LSTM
¿Cómo identificar dispositivos IoT con inteligencia artificial? Este estudio usa redes LSTM y alcanza un 79.85% de precisión en 27 clases. Descubre el pipeline.
Range-Arithmetic: Inferencia Verificable de Deep Learning en Parte No Confiable
Range-Arithmetic verifica inferencias deep learning sin reejecución, reduciendo costos y overhead de comunicación. Ideal para blockchain.
Representaciones guiadas por OCSVM para detección de anomalías no supervisada
Método innovador de detección de anomalías no supervisada guiado por OCSVM. Robusto en imágenes médicas y cambios de dominio.
Descubrimiento Discreto de Conceptos entre Capas para Interpretar Modelos de Lenguaje
Descubre cómo CLVQ-VAE revela conceptos discretos en modelos de lenguaje, mejorando la interpretabilidad con hasta 93% de precisión en eliminación de conceptos.
Algoritmo no es comportamiento: sesgos anulan anticipación red ajedrez
Investigación revela que una red neuronal de ajedrez tiene la solución correcta pero la anula por sesgos de seguridad. El algoritmo no es el comportamiento.
Neural FOXP2: Cómo dirigir neuronas de idioma para mejorar LLMs
Descubre Neural FOXP2 para redirigir neuronas y hacer que LLMs hablen Español o Hindi por defecto. Mejora multilingüe sin reentrenamiento.
Mejora en la Detección de Nodos Raros en Aprendizaje Jerárquico Multi-etiqueta
Mejora la detección de nodos raros en clasificación jerárquica multi-etiqueta con pérdida ponderada. Aumenta el recall hasta 5x y optimiza tus modelos.
Redes de Campos Mecánicos: Dinámica Neuronal para Sistemas Multivariantes
Descubre MF-Net: aprende relaciones causales en sistemas multivariantes para pronósticos precisos y lectura estructural.
GLACIER: Modelo multimodal estudiante-maestro para propiedades moleculares
GLACIER integra gráficos, SMILES y descriptores fisicoquímicos para predecir propiedades moleculares con alta eficiencia. Código abierto.
Diagnóstico del paisaje de pérdida en inversión Gray-Scott
Descubre por qué falla la optimización directa en la inversión del sistema Gray-Scott y cómo los componentes PINN evitan este problema. Análisis del paisaje de pérdida.
Aprendiendo de casi nada: redes neuronales frente a corrupción masiva
Aunque los datos estén corruptos en más del 90%, las redes neuronales siguen acertando. Descubre cómo aplican una regla de centroide de clase para lograrlo.
Pipelines neuronales con energía conservada: frenar propagación de errores
Descubre cómo la conservación de energía como restricción física reduce errores en redes modulares, mejorando precisión hasta 77%. CIFAR-10 y robótica.
Más allá del Golden Teacher: co-enseñanza LLM-GNN
Descubre cómo la co-enseñanza bidireccional entre LLM y GNN supera las limitaciones del aprendizaje con pocos ejemplos en grafos, mejorando la precisión un 7.86%.