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.
#neuronales
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.
Más allá de lo discreto: complejidad muestral del STE en cuantización 1-bit
Primer análisis teórico de complejidad muestral del Straight-Through Estimator para cuantización 1-bit. Descubre por qué el tamaño de muestra es clave para su éxito.
Aprendizaje de dinámicas hamiltonianas a gran escala
Descubre RO-HNN: combina mecánica hamiltoniana y reducción de orden para aprender dinámicas complejas a gran escala con predicciones consistentes.
Encadenamiento de GNN 2-FWL para alineamiento de grafos combinatorio
Descubre cómo el encadenamiento de GNNs 2-FWL revoluciona la alineación de grafos, superando métodos clásicos como FAQ en precisión y robustez.
Secuencias Neuronales de Baja Discrepancia
Descubre cómo NeuroLDS utiliza aprendizaje profundo para generar secuencias de baja discrepancia, superando métodos clásicos en integración numérica y robótica.
Entrenamiento basado en población iterado con reinicios sin tareas específicas
Descubre IPBT, un nuevo algoritmo que optimiza hiperparámetros automáticamente en redes neuronales sin aumentar el presupuesto. ¡Mejora tus modelos!
Aproximación con Redes Neuronales Multigrado
Descubre cómo el enfoque Multigrade Deep Learning permite entrenar redes profundas por grados, reduciendo errores residuales y garantizando convergencia uniforme en arquitecturas ReLU.
Quartet II: Pre-entrenamiento de LLMs en NVFP4
Descubre Quartet II, el método que optimiza el pre-entrenamiento de LLMs en formato NVFP4 en GPUs Blackwell. Mayor precisión y velocidad en tus modelos.
WildCat: Atención casi lineal en teoría y práctica
Descubre WildCat, un nuevo método de atención que logra error mínimo en tiempo casi lineal. Ideal para modelos de IA con secuencias largas. ¡Lee más!
Flowers: un motor warp para solucionadores neuronales de PDE
Flowers: arquitectura neuronal con warps multihead. Sin Fourier ni atención, logra interacciones globales a costo lineal. Supera a modelos mucho más grandes.
Similitud de coseno en representaciones de etiquetas: lo que revela y lo que no
La similitud de coseno entre representaciones de etiquetas no revela las probabilidades del modelo. Descubre qué revela sobre clasificadores softmax y sigmoide.
Preferencia paradójica por el ruido en RNN
Descubre por qué las RNN entrenadas con ruido funcionan mejor con ese mismo ruido. Un análisis sorprendente de la dinámica estocástica.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
Descubre cómo naPINN, una red neuronal adaptativa al ruido, recupera soluciones físicas a partir de mediciones corruptas, superando a métodos tradicionales. Ideal para datos con outliers.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
naPINN recupera leyes físicas de mediciones con ruido y outliers sin conocer la distribución del ruido. Ideal para datos corruptos.
Modelos de Equilibrio Profundo Consistentes
Descubre cómo los Modelos de Equilibrio Profundo Consistentes (C-DEQ) aceleran la inferencia hasta 20 veces sin perder precisión. Un avance en IA eficiente.
Propagación de Equilibrio para Sistemas No Conservativos
Descubre el nuevo algoritmo de propagación de equilibrio para sistemas no conservativos que calcula el gradiente exacto, con mejor rendimiento y aprendizaje más rápido.
Medida de Relevancia Normalizada para Explicar Redes Neuronales
Descubre cómo la medida de relevancia normalizada unifica la explicación de estructuras latentes en redes neuronales, mejorando la transparencia en IA.
Cómo las pérdidas neuronales afectan los latentes de VAE
Las pérdidas neuronales reducen la información en los latentes de VAE y cambian su geometría. Aprende cómo afectan el equilibrio tasa-distorsión.
Límites de la equivariancia de resolución en operadores neuronales de Fourier
Los Fourier Neural Operators (FNO) no siempre mejoran al cambiar resolución. El aliasing no lineal es el culpable. Aprende la solución.