Transferencia de aprendizaje: Extensiones de Kan para invariantes neuronales
Descubre cómo las extensiones de Kan cuantifican la transferencia de invariantes en redes neuronales, usando teoría de categorías para detectar colapsos.
#presentaciones
Contraste y sesgo inductivo: cómo separar ruido lento de dinámicas
Descubre cómo el aprendizaje contrastivo puede confundir ruido lento con la dinámica real, y cómo muestrear negativos dentro de la misma trayectoria mejora las representaciones.
Tokenización de campos neurales con jerarquía y prioridad de localidad espacial
LH-NeF: tokenización jerárquica y local de campos neurales con 42x menos memoria y mayor rendimiento en imágenes, formas 3D y climáticos.
Medida geométrica de separabilidad lineal para representaciones neuronales
Métrica LSM para medir separabilidad lineal direccional entre clases en representaciones neuronales. Ideal para diagnosticar arquitecturas de deep learning.
Más allá del colapso neuronal: geometría intrínseca en aritmética modular
Descubre cómo las redes neuronales organizan representaciones en aritmética modular, revelando una geometría cíclica que supera el colapso neuronal tradicional.
Refinamiento de escala adaptativo guiado por pérdida en fuerzas moleculares
Mejora la predicción de fuerzas moleculares con refinamiento de escala adaptativo guiado por pérdida. Reduce errores en sistemas iónicos acuosos. Avance en IA.
Desenredo con Representaciones Reducidas Holográficas
Descubre cómo las Representaciones Reducidas Holográficas (HRR) revolucionan el desenredo de factores en redes neuronales. Resultados competitivos y robustez al ruido.
Aprendizaje de representaciones causales a partir de datos de red
GraCE-VAE: nuevo modelo causal que aprovecha redes biológicas para predecir intervenciones CRISPR con mayor precisión.
Mejora multirresolución para representaciones neuronales de espectro completo
Descubre WIEN-INR: marco jerárquico mejora representaciones neuronales, preservando información de alta frecuencia en datos científicos con modelos compactos.
Representaciones autosupervisadas de sistemas dinámicos para series fisiológicas
PULSE: aprendizaje autosupervisado que extrae representaciones de sistemas dinámicos de series fisiológicas, mejorando clasificación y transferencia.
Separando señal y artefactos en datos multisensor para astrofísica
Descubre cómo un nuevo framework de deep learning separa la señal real de artefactos instrumentales en datos multisensor, mejorando inferencia en astrofísica.
LOTTERY: Aprendizaje con muestras de referencia en pruebas asimétricas
LOTTERY ofrece un enfoque novedoso para pruebas de hipótesis cuando hay muchas muestras de referencia pero pocas de consulta. Aprende representaciones y controla errores. ¡Descúbrelo!
Detección de suplantación invariante al hablante con inversión de gradiente
Descubre cómo nuestro modelo de detección de suplantación reduce un 25.7% el error al eliminar el sesgo del hablante, sin usar etiquetas de identidad.
Detección de Parkinson mediante aprendizaje multi-vista de voz con atención multimodal
Aprende cómo un modelo deep learning con atención multimodal alcanza 91.5% de precisión detectando Parkinson usando voz.
Una Dieta Mixta Hace de DINO un Codificador Visual Omnívoro
Descubre cómo el nuevo codificador omnívoro alinea características entre RGB, profundidad y segmentación para una visión robusta y coherente.
Transformaciones geométricas de la verdad en LLMs según el contexto
Estudio revela cómo el contexto modifica geométricamente las representaciones de verdad en LLMs. Cambios direccionales y de magnitud separan verdad de falsedad.
Representaciones unívocas: teoría de la información en redes neuronales
Las redes neuronales pueden tener representaciones sin ambigüedad usando teoría de la información. Un estudio logra decodificar neuronas con 100% de precisión.
GEAR-VLA: Aprendizaje de representaciones geométricas para manipulación robótica
Descubre GEAR-VLA, el marco VLA que logra un 90% de éxito en agarre universal con objetos no vistos. Representaciones geométricas unificadas para robots.
TRL-Bench: Evaluación estandarizada de representaciones tabulares
TRL-Bench estandariza la evaluación de codificadores tabulares. Compara 20 modelos en 16 tareas de representación a nivel fila, columna y tabla. ¡Optimiza tus modelos de IA!
Reenlace condicionado por recuperación en LLMs para seguimiento de entidades
Los LLMs usan circuitos de reenlace condicionado para rastrear entidades y actualizar atributos. Intervenciones causales.