Redes Kolmogorov-Arnold dispersas para tomografía cuántica interpretable
Descubre cómo las KANs dispersas permiten una tomografía cuántica interpretable, revelando la estructura de Pauli en estados GHZ.
#neurona
Programas Neuro-Relacionales: Unificando Consultas y Redes Neuronales
Aprende cómo los NRPs unifican consultas lógicas y redes neuronales sobre datos relacionales con embeddings. Un nuevo enfoque para IA y bases de datos.
Predicciones fiables con destilación mixup más allá del conocimiento oscuro
Aprende cómo combinar destilación de conocimiento y mixup para obtener predicciones fiables, mejor calibración y menor sobreconfianza en redes neuronales.
De priors uniformes a aprendidos: Difusión para descubrir estructuras
Diff-prior mejora la inferencia de estructuras con un prior adaptativo de difusión que calibra distribuciones inciertas para decisiones más claras.
Encontrar subredes dispersas con poda progresiva basada en magnitud en un ciclo
Descubre cómo la poda progresiva basada en magnitud encuentra subredes dispersas en un solo ciclo de entrenamiento, superando a LTH y SNIP en precisión.
Método adjunto vs PINNs: problemas inversos con EDP
Comparación justa entre método adjunto y PINNs en problemas inversos gobernados por EDP. Descubre cuándo usar cada técnica y cómo la estrategia híbrida PINN-adjunto reduce costos.
Lung-SRAD: Aprendizaje contrastivo para clasificación de sonidos respiratorios
Lung-SRAD: nuevo método SSM para clasificación de sonidos respiratorios que supera al AST en un 5% en ICBHI. Regularización espectral y aprendizaje contrastivo.
Características inestables y dependencia de semillas en SAEs
Descubre cómo las características inestables en autoencoders dispersos no son ruido, sino parte de subespacios reproducibles. Un estudio clave para la interpretabilidad de redes neuronales.
Ingeniería de entornos agentivos para LLMs: revisión y aplicaciones
Descubre cómo se modelan, sintetizan y evalúan los entornos agentivos para LLMs y su co-evolución con la IA. Una revisión exhaustiva.
Mezcla multitasa de expertos para acelerar entrenamiento de LNN
Descubre cómo MR-MoE acelera el entrenamiento de redes líquidas con expertos multitasa y atención para mejorar predicción de series temporales.
SpikeDecoder: Arquitectura GPT mediante redes neuronales de picos
Descubre SpikeDecoder, una implementación completamente SNN del decoder Transformer que reduce el consumo energético hasta un 93%. Eficiencia en NLP.
Aprendizaje de operadores en contexto con Chain of Operators
Descubre CHOP: un marco que potencia modelos ICON para generalizar a operadores fuera de distribución sin reentrenar, reduciendo errores de inferencia.
ATLAS: Aprendizaje Activo de Teorías para Ciencia Automatizada
Descubre cómo ATLAS diseña experimentos para modelos mecanicistas interpretables, con 5-10x más eficiencia muestral. Ideal para ciencia automatizada.
Acelerando NeurASP con vectorización y caché
Optimiza NeurASP con vectorización y caché. Acelera el entrenamiento en IA neurosimbolica, logrando múltiples órdenes de magnitud de velocidad.
Moonshine: Agente Autónomo para Generar Conjeturas Matemáticas
Descubre Moonshine, un agente de IA que genera conjeturas matemáticas. Explora la Conjetura Neural Jacobiana y sus demostraciones con GPT-5.5 y DeepSeek.
Cuando el parche de atribución miente: diagnóstico y corrección de segundo orden
Corrección de segundo orden para parches de atribución: mejora la fiabilidad en modelos de lenguaje.
Métodos de machine learning para estudiar dinámicas neuronales latentes
Descubre cómo modelos de machine learning revelan la dinámica oculta de la actividad neuronal. Revisión para decodificar el cerebro.
En defensa de la fuga de información en modelos conceptuales
¿Fuga de información en modelos conceptuales? No siempre es mala. Descubre cómo la fuga benigna puede mejorar la precisión y la intervenibilidad en IA real.
Recuperables pero no estacionarias: estructuras lineales locales
Estructuras lineales locales en pesos y activaciones son recuperables pero evolucionan rápido, desafiando direcciones de tarea fijas. Estudio con GPT-2 y LoRA.
Marco de aumento en inferencia para detección de FA con PPG
Mejora la detección de fibrilación auricular con PPG usando aumento en inferencia. Framework optimiza 13 métodos, logrando hasta 10.6% más de precisión sin reentrenar.