¿Prefieren los recuperadores neuronales ciertos documentos?
Los recuperadores neuronales aprenden sesgos de relevancia de las anotaciones, causando que documentos con menor prioridad sean más difíciles de recuperar inclu
#neurona
Cuantificación de incertidumbre escalable en pronóstico de clima extremo con NTK
Mejora la predicción de clima extremo con NTK-UQ: intervalos 31-37% más precisos, adaptativos y sin reentrenamiento.
Nodos Virtuales Adaptativos para Mensajes Dinámicos en Grafos
Descubre MAVN, un marco de MPNN que aprende cuándo y dónde conectar nodos virtuales, mejorando el rendimiento hasta un 46.5% en datasets reales.
GFFMERGE: Fusión eficiente de campos de fuerza con GNN
Acelera tus simulaciones atomísticas con GFFMERGE, la fusión eficiente de modelos GNN. Logra hasta 27x de velocidad sin reentrenamiento.
EqGINO: Operadores Neuronales de Fourier con Geometría Equivariante para PDE 3D
Descubre EqGINO, un marco de aprendizaje profundo que garantiza equivariancia geométrica para resolver PDEs 3D en dominios complejos. ¡Mejora la precisión de tus simulaciones!
Red Neuronal de Grafos Multimodal para Clasificación de Alzheimer Preclínico
Red neuronal de grafos multimodal con difusión guiada por Transformer mejora la clasificación del Alzheimer preclínico mediante regiones cerebrales clave.
Archivo completo del canal AI.Insaf (@ai_tablet)
Descubre el archivo completo del canal AI.Insaf: posts sobre IA, ML, RAG, LLMs, OCR y desarrollo. Tutoriales y trucos para expertos en tecnología.
Poda de redes neuronales post-entrenamiento con curvatura de grafos
Descubre cómo la curvatura de grafos permite podar redes neuronales sin perder precisión. Técnica innovadora basada en Ollivier-Ricci para identificar conexiones clave.
De diagnóstico interno a auditoría externa: defensa contra backdoors con VLM
Conoce PRISM, un marco basado en VLMs que cambia el diagnóstico interno por auditoría externa para neutralizar backdoors con tasa de éxito menor al 1%.
Descifrando el Grokking en Regresión Ridge
Descubre cómo el grokking en regresión ridge demuestra que la generalización tardía no es un fallo de deep learning. Aprende a controlarlo con hiperparámetros.
Las redes equivariantes identificables son equivariantes por capas
Descubre cómo redes neuronales equivariantes identificables garantizan equivarianza por capas. Un hallazgo clave para entender simetrías en IA.
Coarsening de Grafos con Preservación Topológica Escalable
Descubre STPGC, nuevos algoritmos escalables para reducir grafos preservando su topología, acelerando el entrenamiento de GNNs sin perder rendimiento.
Composición Secuencial de Grupos: Una Ventana a la Mecánica del Deep Learning
Composición secuencial de grupos: una ventana a la mecánica del deep learning. Descubre cómo redes neuronales aprenden operaciones estructuradas.
Más allá de ReLU: Bifurcación, Sobresuavizado y Prioridades Topológicas
Nueva teoría de bifurcación revela que reemplazar ReLU por activaciones no monótonas evita el sobresuavizado en GNNs profundas. ¡Descubre la solución!
L2G-Net: Redes de grafos espectrales local-global con factorización Cauchy
Descubre cómo L2G-Net revoluciona las GNN espectrales con factorizaciones de Cauchy, escalando a grafos grandes con pocos parámetros.
Modelado de orden reducido de Hamiltonianos con redes simplécticas
Descubre cómo las redes neuronales simplécticas preservan la estructura hamiltoniana en modelos reducidos, logrando simulaciones precisas y estables a largo plazo.
La amplificación de errores limita la conversión ANN-SNN en control continuo
La amplificación de errores temporales limita la conversión de ANN a SNN en control continuo. Conoce CRPI, una solución ligera que suprime estos errores y recupera el rendimiento.
Guía del autoestopista: estimación de gradientes Poisson
Descubre cómo estimar gradientes Poisson sin sesgo con el método EAT modificado. Comparativa con Gumbel-Softmax para VAEs y modelos de inferencia neuronal.
Explicando neuronas activadas por ausencias
Descubre cómo la IA explicable revela neuronas activadas por la ausencia de conceptos y mejora la eliminación de sesgos en modelos profundos.
Identificando distribuciones de conectividad neural con flujos
Descubre un método innovador que usa flujos normalizantes para inferir distribuciones de conectividad neuronal, evitando soluciones espurias.