Circuitos Probabilísticos Neuronales Causales
CNPC combina redes neuronales con circuitos causales para intervenciones precisas, mejorando la exactitud en modelos de caja de conceptos. ¡Resultados superiores!
#neurona
Difusión sin Ajuste Fino para Generar Cristales Inorgánicos
Descubre cómo un modelo de difusión sin ajuste fino genera estructuras cristalinas inorgánicas con restricciones adaptativas, validando estabilidad termodinámica. ¡Innovación en ciencia de materiales!
Representaciones Coherentes: Enfoque Topológico para Interpretabilidad
Nueva técnica: coherencia geométrica para interpretar redes neuronales. Aplicaciones en BERT y autoencoders.
RBF-KAN y RBF-SKAN Jerárquicos para Aproximación y Campos Aleatorios
Arquitecturas jerárquicas RBF-KAN y RBF-SKAN para aproximación multidimensional y aprendizaje de campos aleatorios. Reduce la maldición de la dimensionalidad.
Redes neuronales: aprendizaje demostrable de representaciones espectrales de grupos
Descubre cómo las redes neuronales aprenden representaciones espectrales de grupos, convergencia demostrable a irreducibles y compresión de bajo rango.
¿Campos precisos engañan al diseño fotónico? De precisión global a lectura de puertos
Descubre cómo PaNO mejora la precisión de lectura en puertos de diseño fotónico, reduciendo errores hasta un 72% frente a métodos tradicionales.
¿Qué aprenden los estudiantes? Análisis del conocimiento oscuro
Descubre cómo la Destilación de Confusión (CD) mejora el aprendizaje de modelos sin profesor, superando a otros métodos en CIFAR-100.
¿Campos precisos engañan al diseño fotónico? De precisión global a lectura de puertos
Descubre cómo los campos precisos pueden desviar el diseño fotónico y cómo el nuevo operador neural PaNO mejora la lectura de puertos reduciendo errores hasta un 72%.
Repensando el ancho neuronal para proxies de flujo de potencia óptimo AC
Descubre cómo el algoritmo LG-ND optimiza el ancho neuronal para proxies ACOPF, reduciendo neuronas hasta 10 veces y garantizando verificación formal en sistemas críticos.
Redefiniendo el ancho neuronal para proxies de ACOPF
Un algoritmo incremental (LG-ND) determina el ancho neuronal mínimo para proxies de ACOPF, logrando rendimiento equivalente con hasta 10x menos neuronas. Ideal para seguridad en redes eléctricas.
Operadores Neuronales Basados en la Luz: Reflexión, Refracción y Dispersión
Descubre LiNO, un operador neuronal inspirado en la luz que reduce la complejidad espacial de cuadrática a lineal, mejorando la escalabilidad y el rendimiento en PDEs.
Gobernanza multiagente para adaptación online de modelos termohidráulicos
Un sistema multiagente con validación por compuertas reduce un 19% el error en predicciones termohidráulicas bajo cambios de régimen operativo. Descubre cómo.
Adaptando reglas de puntuación estrictamente adecuadas para inferencia causal
Personaliza reglas de puntuación para inferencia causal. Nuestra pérdida a medida reduce sesgo y varianza en estimación del ATE.
Validación y gobernanza multiagente para adaptación de modelos termohidráulicos
Descubre cómo un sistema multiagente con validación mejora un 19% la precisión de los modelos termohidráulicos, reduciendo errores en pronósticos dinámicos.
IdEst: Evaluando Representaciones SSL con Dimensión Intrínseca
Descubre cómo IdEst, basado en dimensión intrínseca, evalúa representaciones SSL de forma eficiente, reduciendo costos computacionales y sin necesidad de etiquetas.
APIC: Calibración Amortiguada Informada por Física con Procesos Neuronales
APIC permite calibración rápida de modelos físicos con procesos neuronales. Cuantifica incertidumbre y mejora la precisión a partir de datos escasos.
IdEst: dimensión intrínseca para evaluar representaciones SSL
IdEst evalúa representaciones SSL con dimensión intrínseca: métrica geométrica que correlaciona con el rendimiento downstream. Ahorra tiempo en evaluación.
APIC: Calibración amortizada basada en física con procesos neuronales
Descubre APIC: calibración amortizada con procesos neuronales para modelos físicos. Reduce errores y cuantifica incertidumbre con datos escasos.
Flicker-DDPM: Acelerando la difusión con ruido coloreado 1/f
Descubre Flicker-DDPM, un nuevo modelo de difusión que acelera el muestreo hasta 3.33 veces usando ruido coloreado 1/f, mejorando la calidad de generación.
Flicker-DDPM: Acelerando la difusión de denoising con ruido coloreado 1/f
Descubre cómo Flicker-DDPM acelera la generación de imágenes con ruido coloreado 1/f, reduciendo pasos de muestreo hasta 3 veces sin pérdida de calidad.