Descubrimiento e inferencia no lineal en epidemiología con RuleSHAP
Descubre cómo RuleSHAP combina regresión bayesiana y valores Shapley para detectar efectos no lineales en datos epidemiológicos con incertidumbre cuantificada.
#no lineal
Formulación integral de QENDy para identificación robusta de sistemas no lineales
Descubre la formulación integral de QENDy que elimina las derivadas temporales, logrando identificación robusta de sistemas no lineales frente al ruido.
PL-KKT-hPINN: Proyección lineal para restricciones no lineales en redes neuronales
PL-KKT-hPINN impone restricciones no lineales en redes neuronales con alta precisión y baja violación. Ideal para modelado de reactores.
Entre amnesia y caos: trilema de memoria, estabilidad y expresividad en redes de osciladores
Descubre el trilema entre memoria, estabilidad y expresividad en redes de osciladores. ¿Cuándo entrenar el sustrato supera a no hacerlo?
Control no lineal de activaciones mediante transformaciones latentes invertibles
Descubre INNSteer: control no lineal de LLMs con transformaciones latentes invertibles que mejora precisión y fluidez sin comprometer la inferencia.
INNSteer: Control no lineal de LLMs con transformaciones latentes
INNSteer revoluciona el control de modelos de lenguaje al aplicar transformaciones invertibles en el espacio latente, logrando intervenciones no lineales adaptables a cada entrada.
Pronóstico de elecciones japonesas con machine learning no lineal
Descubre cómo los modelos de machine learning no lineal mejoran la precisión en el pronóstico de elecciones japonesas, superando métodos lineales clásicos.
SAD-Flower: Planificación Segura y Consistente con Flow Matching
Descubre cómo SAD-Flower usa flow matching para planificar trayectorias seguras, admisibles y consistentes dinámicamente. Sin reentrenamiento.
Eigenmapas de Transporte Óptimo Entrópico: alineación y embedding conjunto
Descubre cómo los Eigenmapas de Transporte Óptimo Entrópico permiten alinear y proyectar conjuntos de datos de alta dimensión de forma precisa y robusta.
Flujos normalizadores condicionales para estimación conjunta de estado y parámetros
Descubre cómo los flujos normalizadores condicionales mejoran la estimación de estado y parámetros en sistemas no lineales, aplicados a conducción autónoma y predicción de epidemias. ¡Lee más!
Generalización en Mínimos Cuadrados No Lineales vía Geometría Aprendida
Aprende cómo la geometría de características aprendidas mejora la generalización en mínimos cuadrados no lineales, reduciendo la dependencia de parámetros.
Estabilizadores Universales Inverso-Óptimos Parametrizados por Costo de Control
Descubre cómo nuevas familias de estabilizadores universales parametrizan el costo de control usando operadores neuronales para estabilización semiglobal.
Alcance y asintótica de la dinámica Gaussiana en Transformers
Descubre cómo las distribuciones Gaussianas en Transformers simplifican su dinámica y revelan condiciones de estabilidad y alcanzabilidad.
Redes residuales de unidades de producto para interacciones no lineales
Descubre PURe: redes residuales que modelan interacciones no lineales, mejoran robustez y eficiencia en datos reducidos, y ofrecen interpretabilidad con SHAP.
Aprendizaje de sistemas dinámicos no lineales controlados de alta dimensión (I)
Descubre cómo las neural ODEs unifican modelos dinámicos y deep learning, con teoría de campos medios para entrenamiento en alta dimensión.
DiffSlack: Aprendizaje con restricciones no lineales mediante variables slack
Aprende cómo DiffSlack impone restricciones no lineales en redes neuronales para planificación de trayectorias, mejorando tasa de éxito en vehículos autónomos.
Aprendizaje de modelos de orden reducido afín al control mediante autoencoders
Descubre cómo los autoencoders permiten crear modelos de orden reducido afines al control, mejorando la predicción y el control de sistemas complejos. ¡Lee más!
Aproximaciones neuronales certificadas de dinámicas no lineales
Nuevo método adaptativo certifica redes neuronales para dinámicas no lineales con cotas de error formales, superando al estado del arte. Ideal para sistemas críticos.
AdaKoop: Modelado eficiente de dinámicas no lineales en flujos no estacionarios
AdaKoop modela dinámicas no lineales en flujos de datos no estacionarios con eficiencia. Ideal para forecasting adaptativo en tiempo real.
Contribuciones de nodos por trayectoria y límites de controlabilidad estática
Analizamos la nueva métrica 'contribución emergente' para medir la influencia de nodos en redes complejas. ¿Cuándo supera a la controlabilidad estática?