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.
#neuronales
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.
Síntesis de controladores neuronales con garantías de disipatividad
Aprende a sintetizar controladores neuronales con disipatividad garantizada. Maximiza recompensas en sistemas no lineales con estabilidad y ganancia L2.
Método corrige localización de circuitos con retropropagación consciente
Aprende cómo GIM, un nuevo método de retropropagación, mejora la localización de circuitos en modelos de lenguaje al tener en cuenta interacciones.
Beamforming Híbrido Robusto con GNN y CSI Generativo y Denoising
Descubre cómo las GNN y modelos generativos basados en puntuaciones mejoran el beamforming híbrido al generar y limpiar CSI, logrando mayor robustez en comunicaciones inalámbricas.
Paso Polyak estocástico protegido para optimización no suave
Nuevo método SPS protegido para optimización no suave en redes neuronales. Convergencia robusta sin gradientes pequeños. ¡Mejora tu entrenamiento!
KromHC: Conexiones Hiper con Matrices Residuales de Producto Kronecker
KromHC mejora conexiones hiper en redes neuronales usando matrices residuales con doble estocasticidad exacta. Reduce parámetros y mejora rendimiento.
Aproximación de divergencias-f con estadísticos de rango
Aproxima divergencias-f con estadísticos de rango. Método rank-statistic para alta dimensión usando proyecciones aleatorias. Eficiente y validado.
Modelado Generativo Precondicionado Un Paso para Problemas Inversos Bayesianos
Genera muestras posteriores 64x64 en milisegundos con modelado generativo de un paso para problemas inversos bayesianos en espacios funcionales. Evita MCMC.
Aproximaciones locales al aprendizaje en RNN lineales
Exploramos la dinámica del aprendizaje local en redes recurrentes lineales. Comparamos RFLO, tBPTT y BPTT, revelando diferencias cualitativas y soluciones de bajo rango.
Interpolación constructiva y generalización en NODEs: control
Interpolación constructiva y generalización con NODEs semi-autónomas. Perspectiva de control para aprendizaje automático.
Detección neural óptima de bordes en imágenes ruidosas
Descubre cómo un nuevo enfoque basado en redes neuronales detecta bordes en imágenes ruidosas sin necesidad de etiquetas, alcanzando tasas óptimas.
Conjuntos de predicción calibrados por decisión en sistemas eléctricos robustos
Descubre cómo conjuntos de predicción calibrados por decisión mejoran la operación robusta de sistemas eléctricos, reduciendo costos y cumpliendo restricciones.
Resolviendo ecuaciones diferenciales con deep learning: aspectos prácticos
Aprende a resolver ecuaciones diferenciales con deep learning: redes neuronales, retropropagación y método Deep Galerkin. Sin GPU.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
Procesos Gaussianos de Media Fija para Inferencia Bayesiana Post-hoc en Deep Learning
Descubre cómo FMGP mejora la estimación de incertidumbre en redes profundas pre-entrenadas sin sacrificar precisión, escalando a grandes datasets.
LeARN: Aprendizaje y Adaptación para Identificación de Sistemas No Lineales
El marco LeARN aprende funciones base mediante meta-aprendizaje, adaptándose a dinámicas no lineales y superando las limitaciones de SINDy.
Límites de generalización no vacíos para redes profundas sin modificar
Por primera vez, se demuestran cotas de generalización no triviales para redes profundas sin modificaciones, incluso con 600M parámetros. Análisis basado en la geometría de los datos.