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.
#neuronal
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.
Destilación adaptativa con heterofilia para redes neuronales de hipergrafos
HADES usa la heterofilia para destilar conocimiento en hipergrafos. Logra modelos ligeros hasta 12.3 veces más rápidos que el profesor.
Más allá del colapso neuronal: geometría intrínseca en aritmética modular
Descubre cómo las redes neuronales organizan representaciones en aritmética modular, revelando una geometría cíclica que supera el colapso neuronal tradicional.
Más allá de la convolución: Hipergrafo U-Nets
El nuevo método PHPool permite aplicar U-Nets a hipergrafos superando limitaciones de pooling. Ideal para clasificación y detección de anomalías.
Transformada Neural de Legendre-Fenchel con Precondicionamiento Hessiano
Descubre cómo la transformada Neural de Legendre-Fenchel con precondicionamiento Hessiano mejora la precisión y convergencia en funciones mal condicionadas.
Aprendizaje de operadores para Fokker-Planck con condiciones iniciales
Optimiza la simulación de procesos estocásticos con flujos normalizantes y PINNs para ecuaciones de Fokker-Planck.
Refinamiento de escala adaptativo guiado por pérdida en fuerzas moleculares
Mejora la predicción de fuerzas moleculares con refinamiento de escala adaptativo guiado por pérdida. Reduce errores en sistemas iónicos acuosos. Avance en IA.
Estudio sistemático de profundidad en STGCN para predicción de tráfico
¿Cuántos bloques necesita un STGCN? Un solo bloque predice tráfico con precisión similar y 61% menos latencia que el estándar de 2 bloques. Eficiencia para ITS.
BrainSurgery: Manipulaciones de pesos para edición y reciclaje
BrainSurgery: manipula pesos de modelos de IA con planes YAML declarativos. Edita, recicla y depura checkpoints de forma reproducible.
Desenredo con Representaciones Reducidas Holográficas
Descubre cómo las Representaciones Reducidas Holográficas (HRR) revolucionan el desenredo de factores en redes neuronales. Resultados competitivos y robustez al ruido.
Dinámica del aprendizaje revela jerarquía de métricas Gram inducidas por pesos
Descubre cómo la dinámica de aprendizaje revela una jerarquía de métricas Gram inducidas por pesos en redes ReLU. Optimiza tu entrenamiento profundo.
Cuantificando incertidumbre en captura de basura espacial con redes activas
Descubre cómo las observaciones ruidosas generan incertidumbre en la captura de basura espacial con redes activas y cómo cuantificarla.
QDS-SNN: Red Neuronal Spike Cuántica para Señales de Tráfico
Descubre el algoritmo QDS-SNN que alcanza un 99.72% de precisión en señales de tráfico con un 55% menos de consumo energético. IA cuántica eficiente para conducción autónoma.
Optimizador Muon: Límite de Convergencia y Tamaño de Lote Crítico
El optimizador Muon promete superar a AdamW. Analizamos su convergencia teórica y el tamaño de lote crítico. Experimentos en visión y lenguaje.
Mejora multirresolución para representaciones neuronales de espectro completo
Descubre WIEN-INR: marco jerárquico mejora representaciones neuronales, preservando información de alta frecuencia en datos científicos con modelos compactos.
Descomposición en volumen y frontera de redes neuronales
Descubre cómo la descomposición bulk-boundary revela dinámica intrínseca y estocástica de redes neuronales, con ecuación de continuidad de energía.
Aprendizaje basado en modelos de índices Whittle
Descubre BLINQ, el nuevo algoritmo basado en modelos que aprende índices Whittle de forma más rápida y precisa que Q-learning, reduciendo muestras y costo computacional.
Análisis Graphop de GNN en Grafos Dispersos: Generalización y Aproximación
Descubre un enfoque unificado de graphop analysis para estudiar la generalización y aproximación universal de redes neuronales en grafos dispersos y densos.
CTS-Bench: Compensaciones de coarsening de grafos para GNNs en síntesis de reloj
CTS-Bench: evalúa compensaciones entre coarsening y precisión en GNNs para diseño de árbol de reloj. Ideal para optimizar EDA.