El mercado de riesgo cripto optimiza local y falla globalmente
El peor mes del cripto perdió $630M por fallos de acceso. CORE3 ofrece la única puntuación pública de riesgo topológico de claves.
#pérdida
Exploración por ruido y congelación transitoria seleccionan mínimos planos en SGD
Descubre cómo el ruido en el SGD guía la selección de mínimos planos mediante exploración y congelación transitoria, mejorando la generalización en deep
Recupera semántica primero: Modelado latente mejorado para MRI 3D
Descubre cómo el modelado latente semántico mejora la reconstrucción 3D de MRI y síntesis de contraste. Resultados superiores en datasets públicos.
Tu negocio puede ser demasiado medible. ¿Qué te está costando?
Descubre por qué medir en exceso tu negocio puede alejar a los clientes. Aprende a equilibrar métricas con confianza para mejorar tus resultados.
El riesgo de perder tu know-how e identidad: Advertencia de Nadella sobre IA
Satya Nadella advierte: la IA puede vaciar tu empresa de su know-how. Descubre cómo proteger tu capital de tokens y evitar la deslocalización del saber.
Modelado 3D Oral con Distribución de Vértices Mejorada
Mejora la distribución de vértices en modelos 3D orales mediante aprendizaje por correspondencias. Pese a menor precisión, la uniformidad mejora.
Modelado 3D Oral con Distribución de Vértices Mejorada por Correspondencias
Nueva función de pérdida con emparejamiento húngaro y repulsión mejora la uniformidad de vértices en modelos 3D orales, reduciendo la agrupación.
Entrenamiento Consciente de Cuantización: Gradientes hacia la Cuenca de Baja Pérdida
Descubre cómo un nuevo marco geométrico explica por qué el Entrenamiento Consciente de Cuantización (QAT) recupera la precisión perdida en cuantización extrema.
Marco de aprendizaje geométrico-espectral mejorado para clasificación de MPC
Marco de aprendizaje geométrico-espectral mejorado para clasificar nubes de puntos multiespectrales. Usa atención y fusión residual, mejora datos
Refinamiento de propuestas para detección few-shot
Refinamiento de propuestas mejora detección few-shot equilibrando distribución entre clases, logrando nuevo estado del arte sin aumentar inferencia.
Refinamiento de propuestas para detección de objetos con pocos ejemplos
Nuevo método de refinamiento de propuestas para detección few-shot. Reequilibra distribución entre clases, logrando estado del arte sin coste de inferencia.
¿Cuándo es rentable automatizar con agentes IA?
Descubre cómo cuantificar y asegurar los riesgos de los agentes IA automatizados para hacerlos rentables. Nuevo método de suscripción económica por trazas.
Fusión post-hoc insuficiente: Fusión many-shot con equilibrio de pérdida
METIS: fusión many-shot con equilibrio de pérdida para superar interferencia entre tareas y evitar borrado de información. Mejora la peor tarea.
Fusión post-hoc insuficiente: Fusión multi-tiro con equilibrio de pérdida
Descubre cómo METIS supera la fusión post-hoc de modelos de lenguaje, evitando la interferencia entre tareas y mejorando el rendimiento multi-tarea. Aprende
MR-GVNO: Operador neuronal con conciencia geométrica para placas Mindlin-Reissner
Descubre MR-GVNO, un innovador operador neuronal que predice deformaciones en placas con geometría irregular, sin etiquetas, en milisegundos. Ideal para
Mitigación Bayesiana de Anomalías: Pérdida Robusta y Clasificador No Supervisado
NBAM reemplaza la pérdida estándar en aprendizaje supervisado y además detecta automáticamente muestras contaminadas sin etiquetas. Ideal para datos ruidosos.
Bandits Lineales Estocásticos: Casi Óptimos con Retraso
Descubre cómo el retraso en la retroalimentación afecta a los algoritmos de bandits lineales. Resultados casi óptimos con penalizaciones aditivas o
Domando la Curvatura: Calentamiento de Arquitectura para Transformers Estables
Controla la curvatura del Hessiano con calentamiento de arquitectura para entrenar Transformers estables, reduciendo picos de pérdida.
Empaquetado Diferencial de Objetos 3D Irregulares
Descubre el nuevo método de empaquetado diferencial que optimiza objetos 3D irregulares y el contenedor, reduciendo el volumen hasta 32% en menos de 4 minutos.
Preservación intrínseca de la plasticidad en el aprendizaje cuántico continuo
Los modelos cuánticos conservan la plasticidad innata, superando la degradación de las redes clásicas en aprendizaje continuo.