Transformada Neural de Legendre-Fenchel con Precondicionamiento Hessiano
Descubre cómo la transformada Neural de Legendre-Fenchel con precondicionamiento Hessiano mejora la precisión y convergencia en funciones mal condicionadas.
#profundo
BrainSurgery: Manipulaciones de pesos para edición y reciclaje
BrainSurgery: manipula pesos de modelos de IA con planes YAML declarativos. Edita, recicla y depura checkpoints de forma reproducible.
Complejidad de Muestra de los Transformers
Descubre cómo se caracteriza la complejidad de muestra de los transformers y el aprendizaje por cadena de pensamiento. Un análisis profundo de la eficiencia en el entrenamiento.
Dinámica del aprendizaje revela jerarquía de métricas Gram inducidas por pesos
Descubre cómo la dinámica de aprendizaje revela una jerarquía de métricas Gram inducidas por pesos en redes ReLU. Optimiza tu entrenamiento profundo.
Mitigación de alucinaciones en LVLMs con control de sensibilidad visual por token
Descubre TLVS, un método de control de sensibilidad visual por token que reduce alucinaciones en modelos de visión-lenguaje sin afectar contenido veraz.
Optimizador Muon: Límite de Convergencia y Tamaño de Lote Crítico
El optimizador Muon promete superar a AdamW. Analizamos su convergencia teórica y el tamaño de lote crítico. Experimentos en visión y lenguaje.
Descomposición en volumen y frontera de redes neuronales
Descubre cómo la descomposición bulk-boundary revela dinámica intrínseca y estocástica de redes neuronales, con ecuación de continuidad de energía.
Controladores Diferenciales sin Peso: Circuitos Lógicos para Control Continuo
Descubre cómo los Controladores Diferenciales sin Peso aprenden circuitos lógicos para control continuo eficiente, con baja latencia y mínimo consumo.
Hacia la generación automática de kernels con LLMs
Descubre cómo los LLMs y agentes inteligentes automatizan la generación y optimización de kernels GPU, superando limitaciones humanas. Revisión exhaustiva de métodos, datasets y desafíos futuros.
La relación superlineal entre ruido SGD y curvatura
Descubre cómo el ruido del SGD se relaciona con la curvatura del paisaje de pérdida en deep learning. Nuevas leyes empíricas para capas fully connected.
Análisis de la teoría de la información para la IA explicable
Analizamos el método MI CAM, que emplea teoría de la información para generar mapas de saliencia en CNNs, logrando explicaciones más precisas y causales.
Estudio sobre aprendizaje multitarea profundo en vehículos autónomos conectados
Descubre cómo el aprendizaje multitarea profundo revoluciona los vehículos autónomos conectados, optimizando percepción, predicción y control en entornos complejos.
Principios de grandes desviaciones para redes neuronales convolucionales bayesianas
Primer principio de grandes desviaciones para CNN bayesianas. Un avance teórico sobre covarianza condicional y distribución posterior en aprendizaje profundo.
SegmentAnyTreeV2: Segmentación de Árboles en Bosques con IA
Descubre SegmentAnyTreeV2, el modelo de IA que segmenta árboles en nubes de puntos LiDAR con un 90% de precisión. Ideal para bosques diversos.
Codificación predictiva con priors bayesianos mediante gradientes proximales
Descubre cómo la codificación predictiva se reinterpreta como descenso por gradiente proximal, usando priors bayesianos para redes con fugas y jerarquías. ¡Optimización profunda!
Vehículos submarinos autónomos: planificación end-to-end con RL
Explora cómo el aprendizaje por refuerzo jerárquico permite a vehículos submarinos autónomos planificar y ejecutar movimientos usando solo sensores básicos, con robustez al ruido.
OptMuon: Momento Ortogonalizado en Bucle Cerrado para Optimización Estocástica
Descubre OptMuon, optimizador con momento ortogonalizado y control adaptativo en bucle cerrado. Logra tasas óptimas incluso sin ruido. Ideal deep learning.
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.
Estimación densa de fuerza con un sensor táctil óptico basado en eventos
Descubre cómo un sensor táctil óptico basado en eventos logra estimar fuerzas 3D densas a 100 Hz, superando limitaciones de cámaras tradicionales.
Automatizando el ojo experto: deep learning para espectroscopía de fuerza
Framework de deep learning para descubrir eventos raros en espectroscopia de fuerza. Logra un 92% de precisión y reduce la carga manual en un 90%.