Reparación de Grafos Gaussiana con Topología para GNNs Robusta
Mejora la robustez de tus GNNs con TAGR: un método ligero de reparación de grafos que combina kernel Gaussiano y corrección topológica. ¡Optimiza tus modelos!
#neurona
HiSE: Explicador Semántico Jerárquico Ligero para Grafos Heterogéneos
HiSE es un explicador ligero para redes neuronales de grafos heterogéneos con explicaciones semánticas jerárquicas de alta fidelidad y bajo costo.
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio logra 13.23% error top-5, igualando casi la retropropagación.
Análisis de límites de GNN en grafos de conflicto inalámbricos
GNN optimizan asignación de recursos inalámbricos usando grafos de conflicto. Validado en planificación de enlaces a gran escala.
Denoise primero, ortogonaliza después: Momento en Muon como filtro espectral
Descubre cómo el momento en Muon filtra el ruido del gradiente, mejorando el entrenamiento de LLMs. Un análisis teórico con respaldo experimental.
MAdam: Adam multiobjetivo con métrica consciente
MAdam: el drop-in wrapper que mejora Adam en optimización multiobjetivo. Corrige sesgos de ponderación y geometría. ¡Conócelo!
Razonamiento Algorítmico Neuronal Contrastivo para Coloreado de Grafos
Descubre cómo el aprendizaje contrastivo permite a las GNN colorear grafos minimizando conflictos, superando métodos greedy. Resultados en grafos reales.
Corrigiendo el sesgo espectral en operadores neurales con difusión posterior
Corrige sesgo espectral en operadores neuronales usando difusión posterior y observaciones dispersas, logrando predicciones precisas con solo un 5% de cobertura.
Poblaciones neuronales: selectividad divergente con la escala
Un estudio revela cómo las neuronas en modelos de IA se vuelven más especializadas y menos compartidas a medida que crece el tamaño del modelo. Descubre el efecto de polarización neuronal.
Redes neuronales equivariantes de grupoides y álgebroides de Lie
Explora los fundamentos teóricos de las redes convolucionales equivariantes de Lie. Una nueva perspectiva para modelos invariantes a simetrías.
Estructura del grafo y riesgo de inferencia de membresía en GNNs
Descubre cómo la estructura del grafo afecta el riesgo de inferencia de membresía en GNNs. El muestreo de bola de nieve perjudica la generalización.
Neuronas QIF mejoran el descenso por gradiente en redes de picos
Las neuronas QIF ofrecen paisajes de pérdida menos fragmentados y superan a las LIF en descenso por gradiente exacto. Descubre los resultados.
Generación de medidas rectificables con redes neuronales
Descubre cómo las redes neuronales ReLU aproximan medidas rectificables con error mínimo en distancia de Wasserstein, mejorando tasas según el parámetro m.
ReciNet: Modelado de largo alcance en espacio recíproco para predicción de propiedades cristalinas
Descubre ReciNet, un modelo de IA que predice propiedades cristalinas usando el espacio recíproco con precisión superior en benchmarks de materiales.
Similitud funcional con ensamblado consciente de invarianza
Descubre cómo la invarianza en el ensamblado de modelos revela discrepancias funcionales ocultas y mejora la evaluación de similitud en deep learning.
LAMP: Modelo eficiente para generación 3D controlada por parámetros
Descubre LAMP, un modelo que genera formas 3D con solo 50 muestras y extrapola de forma segura hasta un 100% más allá de los datos de entrenamiento. Ideal para diseño paramétrico e ingeniería.
Espectro asintótico en pérdida de redes neuronales: descomposición del exponente de curvatura
Descubre cómo la curvatura de la pérdida en redes neuronales varía según la arquitectura. Una descomposición exacta revela la relación entre Hessiano y gradient
Mejorando la seguridad de las interfaces cerebro-computadora
Modelo ligero de CNN mejora la robustez de interfaces cerebro-computadora ante ataques adversarios. Asegura un despliegue confiable.
Poda de redes neuronales profundas mediante la distribución de Marchenko-Pastur
Poda de redes profundas con distribución Marchenko-Pastur: precisión mantenida con mínimo ajuste fino. Resultados en ImageNet con ViT y CNNs.
CRAM-ER: Memoria tolerante a errores para computación en memoria
Descubre CRAM-ER, una arquitectura de memoria RAM spintrónica que acelera redes neuronales con alta eficiencia energética y tolerancia a errores, reduciendo latencia hasta 100 veces.