Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
#parcial
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
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.
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.
Conciencia Parcial de Equidad en Aprendizaje Automático Estratégico
Descubre cómo la conciencia parcial de equidad resuelve el dilema entre transparencia y manipulación, mejorando la justicia en modelos de IA con un mecanismo guiado por creencias.
Aprendizaje on-policy enfocado en decisiones para optimización lineal contextual
Nuevo método de gradiente híbrido para optimización lineal contextual con retroalimentación parcial que reduce el arrepentimiento.
Arrepentimiento minimax-óptimo en juegos de Markov parcialmente observables
Algoritmo optimista logra arrepentimiento minimax-óptimo en POMG. Complejidad O(√T) con dependencia de la dimensión de Eluder.
DyLLM: Inferencia Eficiente de LLMs de Difusión mediante Token Saliente
Descubre DyLLM, un marco de inferencia sin entrenamiento que acelera hasta 9.6x los LLMs de difusión seleccionando solo tokens relevantes. Ideal para razonamiento y código.
Interacción de modalidades en MLLMs: descomposición parcial
Entiende cómo la PID descompone la interacción entre modalidades en MLLMs, identificando sinergia y redundancia. Clave para mejorar razonamiento y grounding en IA.
Reconstrucción inversa de ebullición con HB-ARFM
Descubre cómo HB-ARFM reconstruye campos de temperatura y velocidad en ebullición a partir de observaciones parciales, superando limitaciones Markovianas.
COPF: Marco online de equidad contrafactual estable en grafos evolutivos
COPF: Marco online para equidad contrafactual estable en recomendaciones de enlaces en grafos evolutivos. Reduce disparidades de grupo sin sacrificar utilidad.
Denoisers suavemente restringidos para modelos de difusión en EDP
Descubre cómo los denoisers suavemente restringidos mejoran el cumplimiento de EDPs sin rigidizar el modelo. Ideal para física computacional con IA.
Honestidad y credulidad de LLMs como agentes negociadores
Descubre cómo los LLMs negocian en simulaciones de compra-venta. ¿Son honestos o aprovechan la asimetría de información? Análisis de su credulidad y rendimiento.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
Desafíos del aprendizaje por refuerzo en sistemas energéticos industriales
Analizamos los desafíos del RL en sistemas energéticos reales: observabilidad, diseño de acciones, recompensa y la brecha simulación-realidad.
DeMoA: Agregación de Momento Retrasado con Participación Parcial
DeMoA optimiza aprendizaje federado con participación parcial, resistiendo ataques bizantinos incluso si dominan clientes maliciosos. ¡Eficiencia y seguridad!
Red neuronal holomorfa para problemas de contorno 3D con potenciales armónicos
Redes neuronales holomorfas resuelven problemas de contorno 3D sin residuos internos. Validado en Laplace y elasticidad.
Modelos de Mundo Equivariantes de Flujo: Memoria para Entornos Parcialmente Observados
Descubre cómo los modelos de mundo equivariantes con memoria latente mejoran predicción en entornos parcialmente observados con simetrías temporales.