Introducción a las Redes Neuronales de Grafos para Ingenieros de ML
Introducción a GNNs para ingenieros de ML. Explica el marco encoder-decoder, experimentos en grafos homogéneos y los fenómenos de oversmoothing y oversquashing.
#neuronales
Redes neuronales gráficas guiadas por física con pesos dinámicos para RUL y SoH
Descubre cómo RGPD, con redes gráficas y pesos dinámicos, mejora un 12% la precisión en RUL y SoH en motores, rodamientos y baterías.
El grafo como regularización natural: revisitando la cuantización vectorial
Descubre cómo RGVQ evita el colapso del codebook en grafos usando regularización topológica y contrastiva para tokens más expresivos.
Deep Learning como la construcción disciplinada de objetos dóciles
Exploramos cómo la geometría dócil proporciona un marco matemático para garantizar la convergencia del descenso de gradiente en deep learning, incluso en entornos no lisos y no convexos.
Aprendizaje profundo extremo a extremo para predecir salidas en espacios métricos
E2M revoluciona la predicción de datos no euclidianos con deep learning. Conoce su teoría, rendimiento y aplicaciones en mortalidad y tráfico.
La geometría del grokking: minimización de norma en la variedad de pérdida cero
Descubre cómo la minimización de norma en la variedad de pérdida cero explica el fenómeno grokking: generalización tardía tras memorización.
Predicción de postura 3D dinámica corporal al manipular cargas
Descubre cómo el Transformer supera a BLSTM en la predicción de postura 3D dinámica al manipular cargas, con mejoras de hasta un 58% en precisión.
¿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!
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.