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.
#neurona
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.
Regresión polinómica bagged y redes neuronales
Descubre cómo la regresión polinómica en bolsas iguala precisión de redes neuronales en predicción ambiental, con transparencia y diagnósticos intuitivos.
Máquina Neural de Langevin: regla asimétrica local creativa
Descubre cómo la Máquina Neural de Langevin usa reglas locales asimétricas para generar imágenes creativas y eliminar ruido, con aplicaciones biológicas.
Matching deriva-difusión en redes neuronales asimétricas
Descubre cómo las RNN asimétricas modelan dinámicas complejas con drift-diffusion matching, aplicado a memorias asociativas y episódicas.
Entrenamiento condicionado por camino para reescalar redes ReLU
Descubre cómo entrenamiento condicionado por camino reescala redes ReLU para acelerar aprendizaje. Enfoque geométrico optimiza kernels y mejora inicialización.
SKMD: aprendizaje activo de potenciales interatómicos
Descubre cómo SKMD mejora el aprendizaje activo de potenciales interatómicos, equilibrando exploración y precisión en simulaciones moleculares. Ideal para MLIPs.
Generación de pruebas basada en anclajes latentes para redes neuronales profundas
Descubre cómo Latte, un framework de pruebas de caja negra, genera casos de prueba diversos y semánticamente cercanos para detectar fallos en redes neuronales profundas.
Pruebas de redes neuronales guiadas por Bayes en paisajes de decisión
Descubre cómo BayesWarp mejora el testing de redes neuronales, descubriendo fallos diversos con cercanía a datos originales. Aumenta fiabilidad.
MeshTok: Tokenización Multiescala Eficiente para PDE Transformers
Descubre cómo MeshTok optimiza la tokenización multiescala para Transformers de PDE, mejorando el equilibrio de eficiencia y precisión en simulaciones.
Capacidades y limitaciones de redes neuronales reales en espacios complejos
Descubre la relación asintótica entre capacidades de redes neuronales reales y complejas en espacios complejos usando la fórmula HCIZ.
Modelado PINN de transporte de contaminantes biodegradables en revestimientos compuestos
Descubre cómo las PINN con restricciones duras mejoran la precisión en el modelado de contaminantes biodegradables en revestimientos compuestos, reduciendo errores hasta un 97%.