Fórmulas Integrales para Productos Tensoriales de Señales Vectoriales
Nuevas fórmulas integrales reducen hasta 9x los cálculos en productos tensoriales vectoriales para redes SO(3)-equivariantes. Optimiza tu modelo de IA.
#neuronal
Proyecciones Implícitas Estocásticas para Conservación Integral en PINNs
Aprende cómo SDIFP impone restricciones integrales en PINNs de alta dimensión sin mallas fijas, mejorando precisión y reduciendo costos.
Análisis Geodésico de Componentes Principales de Wasserstein
Descubre cómo el GPCA geodésico de Wasserstein identifica modos de variación en medidas de probabilidad usando redes neuronales. Aplicaciones reales.
Puerta trasera criptográfica para redes neuronales: bendición y maldición
Descubre cómo las puertas traseras criptográficas en redes neuronales permiten ataques invisibles y defensas robustas como watermarking y autenticación. Implementaciones post-cuánticas.
Aprendizaje de mapas de características cuánticas con recursos reducidos
Descubre Q-FLAIR, un algoritmo cuántico que reduce la sobrecarga de recursos. Logra más del 90% de precisión en MNIST con IBM en solo 4 horas. ¡Aprende cómo!
GD completo supera a SGD de una pasada en aprendizaje de índice único
¡Descubre cómo el GD completo supera al SGD de una pasada! Logra recuperación con menos muestras en aprendizaje de índice único.
Formulación Hopf-Cole mejorada con ML para flujo de gas en medios porosos
Nuevo marco de modelado combina transformación Hopf-Cole y redes neuronales para simular flujo de gas no lineal con alta precisión y eficiencia.
Dinámicas de integración en RNN lineales
Aprende cómo las RNN lineales adquieren la capacidad de integrar ruido blanco, revelando la dinámica de autovalores que posibilita la memoria a largo plazo. Clave para IA y neurociencia.
Principios de grandes desviaciones para redes neuronales convolucionales bayesianas
Primer principio de grandes desviaciones para CNN bayesianas. Un avance teórico sobre covarianza condicional y distribución posterior en aprendizaje profundo.
Codificación predictiva con priors bayesianos mediante gradientes proximales
Descubre cómo la codificación predictiva se reinterpreta como descenso por gradiente proximal, usando priors bayesianos para redes con fugas y jerarquías. ¡Optimización profunda!
Aumento de nitidez en posprocesamiento de pronósticos de conjunto con RNA
Mejora la nitidez en pronósticos de conjunto con redes neuronales. Añade término de penalización que reduce el intervalo de predicción sin perder precisión.
Descubriendo estructuras de campo medio con autoencoders
Descubre cómo los autoencoders variacionales revelan la estructura de campo medio en sistemas complejos, físicos y neuronales. IA interpretable.
La aproximación composicional puede superar estrictamente a la superposicional
Descubre cómo la aproximación composicional supera estrictamente a la superposicional con ejemplos que muestran una brecha arbitrariamente grande. Un estudio revolucionario de arXiv.
Generalización en Mínimos Cuadrados No Lineales vía Geometría Aprendida
Aprende cómo la geometría de características aprendidas mejora la generalización en mínimos cuadrados no lineales, reduciendo la dependencia de parámetros.
Operadores Neurales de Fourier con puntos de rango-1 y cruz hiperbólica
Mejora la eficiencia de los FNO usando puntos de red rango-1 y cruz hiperbólica: menos parámetros, menos muestras, más precisión en PDEs.
Estudio de codificación molecular en predicción de fármacos con MLP-Transformer
Este estudio investiga codificación molecular con MLP y Transformer para predecir propiedades de fármacos, logrando AUC >0.9 en toxicidad y mutagenicidad.
Estabilizadores Universales Inverso-Óptimos Parametrizados por Costo de Control
Descubre cómo nuevas familias de estabilizadores universales parametrizan el costo de control usando operadores neuronales para estabilización semiglobal.
RAM: Alcanzabilidad a través de Morfologías
RAM: una representación neuronal que predice la alcanzabilidad robótica en nanosegundos con un 86% de precisión, generalizando a morfologías no vistas.
Razonamiento contrafáctico para la descomposición de evidencia en VideoQA
Descubre cómo el razonamiento contrafáctico mejora la precisión y fiabilidad del VideoQA al separar evidencia causal de correlaciones espurias. Ideal para sistemas de IA más confiables.
SNN-MLIR: Un dialecto MLIR para compilar SNN desde NIR a C nativo
Descubre SNN-MLIR, un dialecto MLIR que compila redes neuronales espigantes desde NIR a C nativo. Ejecución eficiente en CPUs y embebidos. Open source.