¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!
#neuronales
Clonación de Comportamiento de MPC para Robots Manipuladores de 3 GDL
Descubre cómo la clonación de comportamiento reduce la carga computacional del MPC en robots de 3 GDL, logrando una reducción de 3x en latencia y un 84.98% de éxito. Ideal para control en tiempo real.
Predicción espectral para acelerar cálculos electrónicos a gran escala
Acelera cálculos de estructura electrónica a gran escala con predicción espectral basada en datos. Modelos de machine learning optimizan iteraciones SCF en BigDFT, reduciendo tiempo y recursos.
Repensando Representaciones Neurales Amortizadas para Terreno de Alta Resolución
Descubre cómo HUVR+SIREN logra mayor fidelidad en terrenos de alta resolución sin almacenamiento extra. Benchmark revela claves.
Factorización de Tucker Neural Guiada por Espectro
Descubre SG-NTF, un innovador método de factorización de Tucker guiado por espectro para completar tensores de alta dimensión e incompletos con eficiencia paramétrica.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Análisis teórico de Engression y Reverse Markov Engression
Descubre los nuevos límites de convergencia no asintóticos para Engression y Reverse Markov Engression. Resultados casi óptimos para aprendizaje de distribuciones condicionales con redes profundas.
Midiendo la tasa de intercambio simetría-datos
Estudio revela que un prior de simetría erróneo perjudica el aprendizaje más que no tenerlo. Además, aumento de datos con promediado iguala modelos equivariante
Acelerando la inversión de ondas con redes híbridas cuántico-clásicas
Acelera la inversión de ondas con redes híbridas cuántico-clásicas: errores más bajos en 8x menos iteraciones y menos parámetros.
Aproximación eficiente de operadores neurales codificador-decodificador mediante espacios de variación
Aprende cómo los espacios de variación optimizan la aproximación de operadores neurales codificador-decodificador, con garantías de convergencia.
IstGPT: Detección de anomalías espacio-temporales con LLMs
Descubre IstGPT, la primera herramienta de detección de anomalías basada en LLMs y grafos para proteger sistemas industriales en tiempo real contra ataques ICS.
Sensibilidad: espada de doble filo entre discriminabilidad y robustez
Descubre cómo la sensibilidad de clasificadores es un arma de doble filo, y cómo HPM equilibra discriminabilidad y robustez adversarial. ¡Lee más!
Una visión algebraica de la expresividad de modelos recurrentes
Un enfoque algebraico unifica resultados contradictorios sobre la expresividad de modelos recurrentes: desde autómatas finitos hasta completitud de Turing.
MidSurfNet: Aprendizaje para abstracción de superficies medias
MidSurfNet usa IA para emparejar caras y generar superficies medias con offset variable, superando limitaciones en modelos CAD de pared delgada.
VRP reformulado como distancia de edición de grafos
Descubre cómo reformular el Problema de Enrutamiento de Vehículos como maximización de distancia de edición de grafos, revelando propiedades estructurales y mejorando la optimización de rutas.
Reconstrucción de temperatura urbana con GNN y sensores dispersos
Descubre cómo las redes neuronales gráficas reconstruyen mapas de temperatura urbana con incertidumbre a partir de sensores limitados. Ideal para monitoreo climático y riesgo de calor.
Meta-aprendizaje bayesiano para modelar la progresión del Alzheimer
Descubre cómo el meta-aprendizaje bayesiano permite predecir la progresión del Alzheimer de forma personalizada, mejorando el pronóstico a largo plazo sin reentrenamiento.
Redes Neuronales Recurrentes Guiadas por Física para Predicción Multietapa
Descubre cómo las redes neuronales recurrentes guiadas por física mejoran la predicción multietapa, incluso con datos limitados y modelos imperfectos.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
Auditoría espectral de redes de operadores en contexto
Descubre cómo la auditoría espectral revela fallos ocultos en operadores neuronales más allá del error de predicción, mejorando la fiabilidad en modelos de IA.