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.
#neuronales
¿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.
Interpretabilidad mecanicista como estimación: análisis de varianza
Descubre por qué la interpretabilidad mecanicista es inestable y cómo abordarlo con rigor estadístico. Aprende a medir la varianza en circuitos de IA.
Aggregation Buffer: Revisando DropEdge con un nuevo bloque de parámetros
Descubre cómo Aggregation Buffer mejora las GNNs superando las limitaciones de DropEdge, reduciendo sesgos y aumentando la robustez en aprendizaje supervisado.
Transformers simples: predictores de enlaces sorprendentemente potentes
Descubre cómo un Transformer simple (PENCIL) supera a las GNNs en predicción de enlaces, sin estructuras complejas ni embeddings masivos. Eficiente y potente.
Inversión de transformaciones de datos mediante muestreo por difusión
Descubre cómo TIED invierte transformaciones desconocidas en datos usando difusión en grupos de Lie para mejorar la robustez de redes neuronales.
Rompiendo el cuello de botella de simplificación en regresión simbólica
Descubre cómo SimpliPy acelera 100x la simplificación de expresiones en regresión simbólica neuronal, superando limitaciones de SymPy y mejorando precisión en benchmarks.
NGDBench: gestión neuronal de datos en grafos
NGDBench unifica datos estructurados y no estructurados en grafos para evaluar la gestión neural de datos. Ideal para entender cómo manejan el ruido las consultas con IA.
Arquitecturas Neurales Functoriales a partir de Tipos Inductivos Superiores
Nuevas arquitecturas functoriales basadas en HITs logran generalización composicional superior, con mejoras de hasta 10x y reducción del 46% de error.
Redes Neuronales de Alto Orden Inspiradas en Circuitos para PDE y Visión
CHONN: redes de alto orden inspiradas en circuitos unifican dinámicas neuronales para resolver PDEs y mejorar percepción visual. Modelado estable y eficiente.
DisjunctiveNet: Aprendizaje simbólico neuronal con optimización convexa
DisjunctiveNet unifica redes neuronales y optimización convexa para cumplir reglas lógicas exactas en ciencia e ingeniería con datos escasos.
Robo de modelos GNN con explicaciones de subgrafos
Descubre cómo los atacantes explotan explicaciones de subgrafos para robar modelos GNN en plataformas GMLaaS. Conoce el ataque XSTEAL y sus implicaciones.
Entrenamiento supervisado degrada alineación de corteza visual
Un estudio revela que el entrenamiento supervisado reduce drásticamente la alineación con la corteza visual V1. Descubre qué reglas de aprendizaje preservan mejor la estructura cerebral.
TASER: Regularización Stein para robustez guiada por geometría
Descubre TASER, un método de regularización que mejora la robustez adversarial sin degradar la precisión. Basado en operadores Stein, ideal para deep learning.
Convergencia del descenso más pronunciado y Adam bajo suavidad no uniforme
Descubre cómo el descenso más pronunciado y Adam logran convergencia lineal bajo suavidad no uniforme, superando a GD, AdaGrad y otros.
Predicción de enfermedades infecciosas con grafos estocásticos espacio-temporales
Descubre cómo un nuevo modelo de grafos estocásticos espacio-temporales logra predecir con precisión brotes de COVID-19 y varicela a nivel nacional.
AbstainGNN: Enseñando a las GNN a abstenerse en clasificación de grafos
AbstainGNN enseña a las GNN a abstenerse en clasificación de grafos, mejorando la fiabilidad. Descubre su teoría PAC-Bayesiana y resultados.
BioRefusalAudit: Auditoría de la Profundidad de Rechazo en Bioseguridad usando Autoencoders Dispersos Generales y Ajustados a Dominio
BioRefusalAudit audita la profundidad de rechazo en bioseguridad con autoencoders dispersos. Mejora la detección de amenazas biológicas y la seguridad en entornos críticos.