Predicción de tráfico marítimo con redes neuronales de grafos y cabeza Tweedie
Descubre cómo un nuevo enfoque con redes neuronales de grafos y cabeza Tweedie mejora la predicción del tráfico de barcos en puertos, incluso con datos escasos.
#neurona
Red triplano con conciencia geométrica para predicción aerodinámica vehicular
Descubre GTF-Net, red neuronal que predice presión y esfuerzo cortante en vehículos con alta precisión, superando a CFD. Ideal para diseño temprano.
Caracterizando la geometría discreta de las redes ReLU
Las redes ReLU generan regiones lineales. El grado promedio de su grafo está acotado por el doble de la dimensión de entrada y su diámetro es independiente.
Rompiendo la burbuja: entrenamiento asincrónico con inconsistencia acotada
Descubre PACI, un método de entrenamiento asincrónico que elimina la burbuja del pipeline sin sacrificar consistencia. Mejora la velocidad hasta 1.69x.
Redes controladas por derivadas: precisión y estabilidad de gradiente
Nuevo estudio: Redes controladas por derivadas (CR) logran estabilidad de gradiente y precisión, superando baselines.
PINN supera a Diferencias Finitas en difusión de calor ruidosa
Descubre cómo las PINN mantienen un 91% de precisión frente al 36% de las Diferencias Finitas bajo ruido en 3D, superando las limitaciones clásicas.
Reconstrucción de grafos: ataques y defensas más allá de la homofilia
Los ataques MC-GRA reconstruyen la topología de entrenamiento de GNN. Las defensas MC-GPB protegen la privacidad con mínima pérdida de precisión.
Generación molecular OLED con condicionamiento óptico por token
Descubre cómo un modelo autoregresivo condicionado por tokens genera moléculas OLED con propiedades ópticas específicas, superando la escasez de datos.
Red de Grafos de Malla para Simulación FEM en Geometrías Arbitrarias
Descubre una red neuronal de grafos de malla para acelerar simulación FEM en geometrías arbitrarias, superando modelos tradicionales con R² > 0.97.
Dimensión fractal de Fourier para predecir generalización en redes profundas
Descubre cómo la dimensión fractal de Fourier predice la generalización de redes profundas. Supera a métricas tradicionales en CIFAR-10, SVHN y MNIST.
Donde vive el score: visión wavelet de la difusión
Descubre cómo el análisis con wavelets revela los atributos clave de los datos en modelos de difusión. Un enfoque interpretable para la función score.
Dimensión fractal de Fourier para predecir la generalización de redes neuronales
Aprende cómo la dimensión fractal de Fourier predice la generalización de redes neuronales sin datos de validación. Nueva métrica basada en frecuencia.
¿Cuándo son reales los descubrimientos de interacciones neuronales?
¿Son reales las interacciones neuronales? Un diagnóstico previo basado en el rango efectivo de la covarianza ayuda a detectar artefactos en modelos de IA.
¿Son reales las interacciones neuronales? Identificabilidad y diagnóstico
Descubre cómo saber si las interacciones neuronales que detecta tu modelo son reales o artefactos. Un diagnóstico basado en el rango efectivo te ayuda antes de ajustar el modelo.
INNSteer: Control no lineal de LLMs con transformaciones latentes
INNSteer revoluciona el control de modelos de lenguaje al aplicar transformaciones invertibles en el espacio latente, logrando intervenciones no lineales adaptables a cada entrada.
Codificación escasa convolucional con LCA en Loihi 2
Implementación de codificación escasa convolucional con LCA en Loihi 2, comparada con GPU. Resultados revelan ventajas en hardware neuromórfico.
Aprendizaje Variacional Global para Corrección de Errores Cuánticos
Aprendizaje variacional global para corrección de errores cuánticos: reduce 97% tiempo de entrenamiento, mejora 25% tasa de éxito y logra 100% de precisión.
Aprendizaje de operadores Navier-Stokes 2D con predicción conforme
Aprende cómo la predicción conforme calibra la incertidumbre en redes neuronales para flujos Navier-Stokes 2D con pocos datos.
Medida geométrica de separabilidad lineal para representaciones neuronales
Métrica LSM para medir separabilidad lineal direccional entre clases en representaciones neuronales. Ideal para diagnosticar arquitecturas de deep learning.
Estabilidad en RNNs con coherencia hacia atrás
Aprende cómo la coherencia hacia atrás estabiliza RNNs, reduciendo errores hasta un 58% y acelerando la convergencia en un 44%. Basado en teoría de cuasi-martingala inversa.