RADE: Regularización con adición y eliminación aleatoria de aristas
RADE: aumento estocástico de aristas que reduce sobreajuste y sobre-compresión en GNNs. Sin desalineación entrenamiento-inferencia, mejora el rendimiento.
#neuronales
Operadores Neuronales de Haces Celulares para Modelado de PDEs con Restricciones
Operadores Neuronales de Haces Celulares ofrecen modelado sustituto de PDE con restricciones, preservando estructura para simulaciones en MHD y fusión.
MedGym: un benchmark continuo para tratamiento médico con RL
Descubre MedGym, un benchmark realista para evaluar algoritmos de RL en tratamientos médicos con tiempo continuo, personalización y seguridad.
Diagnóstico de solucionadores HJB-PIDE neuronales bajo saltos Lévy
Protocolo de diagnóstico para solucionadores neuronales HJB-PIDE: detecta errores ocultos como un factor de escala ausente en saltos de Lévy. Optimiza tus modelos.
Revisitando Procesos Neuronales con Fourier y Volterra
Descubre cómo la Transformada de Fourier y las Series de Volterra mejoran los Procesos Neuronales, logrando campos receptivos globales y escalabilidad lineal en datos irregulares.
Firmas de Motivos Temporales para Redes Neuronales de Grafos Temporales
Descubre cómo las firmas de motivos temporales mejoran la predicción en redes neuronales de grafos temporales. Aplicaciones en MOOC, Bitcoin y más.
DAGGER: Redes Amplificadoras Transitorias sin Gradiente
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias con restricciones de conectividad. Hasta 100 veces más rápido.
Más allá de las sinusoides: Codificación posicional con wavelet Morlet
MoPE: codificación posicional con wavelet Morlet que unifica sinusoides y RoPE, aprende frecuencias y localidad. ¡Rendimiento superior en transformers!
Estructura y escala en el modelado de secuencias simpliciales
Descubre cómo la escala en modelos de secuencias simpliciales se correlaciona con estructura y rendimiento en transformers. Un estudio revela patrones predecibles.
GPTQ-intrinsic LoRA: Cuantización de baja precisión con adaptación de bajo rango
GPTQ-intrinsic LoRA: mejora la cuantización de baja precisión con corrección de bajo rango. Algoritmo casi óptimo para modelos grandes.
Localización, identificación y detección de objetivos usando simetrías latentes
Descubre cómo las simetrías ocultas permiten localizar e identificar intrusos con precisión. Un avance revolucionario en sensado usando inteligencia artificial.
Abstracción de espacios combinatorios con GNN para optimización no lineal
Descubre cómo un nuevo método de abstracción basado en grafos dirigidos y GNN optimiza la búsqueda en problemas de optimización combinatoria no lineal, mejorando resultados y robustez.
Predicción de reflectancia espectral de hojas con redes de atención multi-cabeza
Descubre cómo una red con atención multi-cabeza alcanza R² 0.84 en predicción de reflectancia foliar, supera modelos clásicos. Ideal para monitoreo de viñedos.
Difusión calibrada con incertidumbre para generar moléculas 3D fiables
Descubre cómo UCD calibra la incertidumbre en modelos de difusión para generar moléculas 3D más fiables y precisas, mejorando la validez química.
Filtro de compuerta, no el mensaje: Mezclas nodo-canal en GNNs
FilterMoE revoluciona las GNNs de prepropagación al enrutar filtros por nodos y canales, superando a métodos previos en 9 de 11 benchmarks. ¡Mejora precisión y escalabilidad!
Aprendizaje Continuo como un Problema de Frontera Móvil Multifase
Stefan-CL aplica la física de fusión para resolver el dilema estabilidad-plasticidad, reduciendo el olvido casi a cero sin almacenar datos. Descúbrelo.
Combinación de ruido y filtro bilateral para robustez adversarial en CNN
Un preprocesador simple combina ruido gaussiano y filtro bilateral para lograr robustez adversarial supralineal en CNNs con bajo costo computacional.
TabPrep: cerrando la brecha de ingeniería de rasgos en benchmarks tabulares
TabPrep cierra la brecha de ingeniería de rasgos en benchmarks tabulares, mejorando el rendimiento de modelos de IA de forma eficiente.
Expresividad de arquitecturas de congruencia para DNNs en matrices definidas positivas
La restricción semi-ortogonal en capas de congruencia limita la expresividad de DNNs para matrices PD. Comparativa de clasificadores Riemannianos.
Aprendizaje multimodal y programación genética: alineación en espacio latente
Un estudio analiza la alineación multimodal en SNIP para regresión simbólica. Descubre por qué no mejora durante la optimización y qué implica para el futuro.