CHIMERA-Bench: dataset de referencia para diseño de anticuerpos
Descubre CHIMERA-Bench, el mayor dataset unificado para diseño de anticuerpos específicos de epítopos. Evalúa modelos generativos con métricas novedosas y splits biológicos.
#profundo
AgroOmni: Dataset Agrícola Multivista para Razonamiento Multimodal
Descubre AgroOmni, el dataset multivista con 288K pares VQA que elimina sesgos en la percepción agrícola de IA y logra un 62% en el benchmark AgMind.
STARIXNet: Asignación de recursos en cloud con deep learning multivariable
STARIXNet: deep learning multivariable para asignación de recursos en cloud, reduce costes hasta 50% y mejora estabilidad.
TriHead-GAN: Red generativa antagónica con triple discriminador para series de carbono
La falta de datos de emisiones de carbono impide el análisis con IA. TriHead-GAN genera series sintéticas realistas con triple discriminador. ¡Mejora tus pronósticos!
KITE: Transformador trimodal para detectar noticias falsas
KITE integra texto, imágenes y conocimiento para detectar noticias falsas con alta precisión. Descubre su funcionamiento.
Caracterizando la geometría discreta de las redes ReLU
Las redes ReLU generan regiones lineales. El grado promedio de su grafo está acotado por el doble de la dimensión de entrada y su diámetro es independiente.
Mitigando la trampa de contractividad en ODEs con estabilización Stein
Descubre cómo SteinDiff resuelve la trampa de contractividad en ODEs de difusión, mejorando la calidad de generación sin muestras de referencia
Sumideros de atención: dos mecanismos, dos soluciones
Descubre cómo los sumideros de atención en transformers esconden dos mecanismos distintos: nop y broadcast. Aprende a diagnosticarlos y combinarlos para mejorar estabilidad y rendimiento.
TRUST-SCF: Puntuación Crediticia con Transformers para Cadenas de Suministro
Descubre TRUST-SCF, un framework basado en transformers que mejora la puntuación crediticia y predicción de riesgo en financiamiento de cadenas de suministro.
AttentionCap: Aprendizaje de matrices de capacitancia con Transformers
AttentionCap: Transformer para extracción de capacitancia con 0.67% de error y 192x más velocidad. Descubre su impacto en EDA.
Dimensión fractal de Fourier para predecir generalización en redes profundas
Descubre cómo la dimensión fractal de Fourier predice la generalización de redes profundas. Supera a métricas tradicionales en CIFAR-10, SVHN y MNIST.
Donde vive el score: visión wavelet de la difusión
Descubre cómo el análisis con wavelets revela los atributos clave de los datos en modelos de difusión. Un enfoque interpretable para la función score.
Dinámica espectral y geometría del ruido de Muon
Exploramos la dinámica espectral y geometría del ruido del optimizador Muon: su sesgo hacia espectro plano y cuándo es útil frente a AdamW. Resultados experimentales.
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.
OrderDP: Marco de poda dinámica de datos sin pérdida con garantía teórica
OrderDP ofrece poda dinámica de datos sin pérdida con garantía teórica, reduciendo el coste de entrenamiento en más del 40% sin sacrificar precisión. Descubre cómo.
Ajuste fino de grandes modelos de series temporales: superando el paisaje no convexo
El nuevo método SFF (Smoothed Full Fine-tuning) suaviza el paisaje de pérdida no convexo para optimizar el ajuste fino de grandes modelos de series temporales. ¡Descubre sus beneficios!
Auditoría espectral revela dependencia aperiódica por tarea en EEG y ECG
La auditoría espectral revela dependencia aperiódica según la tarea en EEG y ECG. ¡Controla el sesgo en tu IA!
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.
Estabilidad en RNNs con coherencia hacia atrás
Aprende cómo la coherencia hacia atrás estabiliza RNNs, reduciendo errores hasta un 58% y acelerando la convergencia en un 44%. Basado en teoría de cuasi-martingala inversa.
Más allá de la convolución: Hipergrafo U-Nets
El nuevo método PHPool permite aplicar U-Nets a hipergrafos superando limitaciones de pooling. Ideal para clasificación y detección de anomalías.