LC-PINN: Redes neuronales con pérdida condicional para familias paramétricas de EDP
Descubre cómo LC-PINN entrena un único modelo que resuelve toda una familia de ecuaciones diferenciales paramétricas, sin datos generados por solver.
#neurona
HalfNet: Redes Neuronales Aleatorias con Geometría de Subespacio
Descubre HalfNet, la red neuronal que aprende la geometría de sus pesos aleatorios. Reduce parámetros sin perder precisión en MNIST y CIFAR-10.
Más allá de simetrías: conectividad lineal vía identificabilidad neuronal
Descubre cómo la identificabilidad de neuronas permite fusionar representaciones sin alineación previa, revelando nuevas conexiones en el deep learning.
Robustez de modelos vía información de Fisher: límites y algoritmos
Descubre cómo medir la robustez de modelos de IA con la información de Fisher, una métrica atacable-agnóstica que predice vulnerabilidad adversarial. Guía teórica y práctica.
Histéresis de la utilidad: modelo Preisach para aceptación de trabajos gig
Descubre cómo un modelo de histéresis con IA reduce un 21% la nómina y aumenta un 9.7% la aceptación en economía gig.
Cuantificación multi-dominio y cola larga: alineación y escalado
Descubre EmaQ y EmaQ-LT: cuantificación precisa para redes neuronales con dominios múltiples y desbalance, mejorando la eficiencia en dispositivos limitados.
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
Escalando la generación de grafos novedosos con modelos autorregresivos ligeros
Descubre cómo un marco autorregresivo ligero escala la generación de grafos con alta novedad y eficiencia. Ideal para IA y ciberseguridad.
Graph Cascades: reconfiguración mesoscópica para GNNs
Mejora tus GNNs con Graph Cascades: una técnica de reconfiguración mesoscópica basada en difusión por contagio que optimiza la clasificación en grafos homofílicos y heterofílicos.
RIDE: Dataset abierto para predecir retrasos de trenes
Explora RIDE, el dataset abierto para predicción de retrasos ferroviarios. Compara redes neuronales, estadísticos y más. ¡Optimiza tus modelos!
Caracterización geométrica de la meseta estacionaria en redes de dos capas
Descubre cómo la geometría de mesetas estacionarias en redes de dos capas revela si el desdoblamiento de neuronas produce mínimos locales o puntos de silla.
SpliceBind: Predicción de farmacabilidad de bolsillos según isoformas
Descubre SpliceBind, el modelo de IA que predice la farmacabilidad de bolsillos de unión según isoformas, mejorando la predicción de resistencia a fármacos diana en cáncer.
DegradoMap: Predicción de degradabilidad de proteínas con PROTACs
DegradoMap predice degradabilidad de proteínas con PROTACs usando solo estructura y E3 ligasa. Logra AUROC 0.646 en objetivos no vistos. ¡Prioriza experimentos!
SC-TauPath: atribución de conectividad estructural para rutas de tau
Descubre cómo SC-TauPath usa conectividad estructural y redes neuronales para mapear rutas de tau en Alzheimer, validando el estadiaje de Braak.
Privacidad Bayesiana de Membresía para Redes Neuronales de Grafos
Descubre cómo la Privacidad Bayesiana de Membresía (BMP) ofrece un análisis fino de la filtración de datos en GNNs, superando las métricas globales.
Escala de datos, complejidad y modalidades en generalización visual
Aprende cómo escala de datos, complejidad y modalidades afectan la generalización visual en IA. Resultados clave de un estudio empírico.
LoopMoE: Unificando Iteración y Mezcla de Expertos en Lenguaje
Descubre cómo LoopMoE integra computación iterativa con Mezcla de Expertos para superar a modelos tradicionales en benchmarks de lenguaje. ¡Mejora de rendimiento a escalas de 3B y 9B!
RowNet: Transformer de Memoria para Regresión Tabular
RowNet es un transformer de memoria que mejora la valoración inmobiliaria al recuperar propiedades comparables. Descubre su arquitectura.
SFMambaNet: Frecuencia Espectral para Poda de Correspondencias
SFMambaNet integra frecuencia espectral y Mamba para poda de correspondencias, superando a métodos GNN con eficiencia lineal. ¡Descúbrelo!
Colapso neuronal guiado por óptica en SAR incremental
Descubre el colapso neuronal guiado por óptica mejora el aprendizaje incremental en SAR con pocos datos, logrando mayor precisión y menor olvido catastrófico.