Redes Residuales de Memoria de Reservorio
Descubre las Redes Residuales de Memoria de Reservorio (ResRMN), una nueva clase de RNN no entrenadas que mejoran la propagación temporal mediante conexiones residuales ortogonales.
#neuronales
Calibración sin objetivo ante cambios de distribución con FGR
Descubre cómo FGR mejora la calibración de modelos de IA ante cambios de distribución sin necesidad de datos del destino. Aprende a implementarlo.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Difusión No Supervisada para Optimización Combinatoria vía Ajuste Adjunto
Descubre CAM, un método no supervisado de difusión para optimización combinatoria que supera soluciones supervisadas. Resultados competitivos sin datos etiquetados.
Aprendizaje de Coordinación Multi-Agente mediante Sheaf-ADMM
Descubre cómo un nuevo marco de optimización diferenciable permite a agentes coordinarse resolviendo subproblemas locales con ADMM y sheaf, mejorando robustez y
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
Condensación eficiente y escalable de grafos con preservación de estructura
Conoce SP-ESGC: método eficiente y escalable para condensar grafos preservando estructura. Mejora generalización y reduce costos computacionales.
Redes Neuronales de Fourier Multi-Escala para EDP de Alta Frecuencia
Descubre cómo las Redes Neuronales de Fourier Multi-Escala resuelven EDP de alta frecuencia con precisión sin precedentes, superando a PINN y SV-SNN.
Modelos de difusión riemannianos en variedades generales mediante PINNs
Aprende cómo las PINNs permiten resolver la ecuación del calor en variedades para modelos generativos de difusión riemanniana, sin necesidad de núcleos analíticos.
Hacia Autoencoders Dispersos Identificables
Los nuevos autoencoders dispersos identificables (iSAE) mejoran la estabilidad y precisión en la interpretación de redes neuronales. Aprende más.
Interpretabilidad sin concesiones: Desenredando la polisemia en DNNs
Descubre ELUDe, un método innovador que desenreda conceptos en redes neuronales profundas sin afectar su rendimiento. Interpretabilidad clara y práctica.
Interpretabilidad sin pérdida: Desenredando la polisemia
Descubre ELUDe, método que mejora interpretabilidad sin sacrificar rendimiento. Desenreda polisemia neuronal manteniendo precisión. ¡Lee más!
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
Relación entre activaciones atípicas y muerte de características en SAE
Descubre cómo los valores atípicos en las activaciones neuronales provocan la muerte de características en autoencoders dispersos y cómo solucionarlo con centrado de media.
3DGS más pequeño y rápido mediante aprendizaje de diccionario
Mejora el rendimiento de modelos 3DGS con compresión basada en diccionarios: reduce memoria y acelera el renderizado.
Visión artificial para evaluar respuesta de peces a objetos en acuicultura
Novedoso sistema de visión artificial con YOLOv8 y seguimiento 3D analiza reacciones de peces ante objetos intrusivos en acuicultura.
Transporte de Sargassum: aprendizaje con datos limitados
Descubre la IA y el machine learning mejoran la predicción del transporte de sargazo con datos limitados de boyas. Aplicaciones en Puerto Rico y Gulf Stream.
¿Es suficiente la última capa para cuantificar la incertidumbre?
Descubre por qué la linearización de la última capa ofrece una cuantificación de incertidumbre comparable a la de toda la red, con mucha mayor eficiencia computacional. Estudio teórico y empírico.
Inferencia Bayesiana con MLPs Profundos No Lineales
Descubre cómo la inferencia bayesiana en MLPs profundos no lineales se simplifica a un método kernel y cómo la profundidad mejora la evidencia del modelo. Una nueva perspectiva teórica.
Red neuronal holomorfa para problemas de contorno 3D con potenciales armónicos
Redes neuronales holomorfas resuelven problemas de contorno 3D sin residuos internos. Validado en Laplace y elasticidad.