Control de FDR con knockoffs en redes neuronales profundas
Descubre cómo los métodos knockoff controlan la tasa de falsos descubrimientos en redes profundas, simplificando modelos sin perder precisión.
#redes neuronales profundas
Control de falsos descubrimientos y simplificación en DNN con knockoffs
Descubre cómo los métodos knockoff permiten seleccionar variables relevantes en redes neuronales profundas, reduciendo la complejidad y manteniendo el control de falsos descubrimientos.
Selección de rasgos radiomicos vía gradiente de red para cáncer de pulmón
Descubre cómo el método GL-RFE selecciona las características radiomicas más relevantes para detectar el estadio del cáncer de pulmón con un 90% de precisión.
Generación de pruebas basada en anclajes latentes para redes neuronales profundas
Descubre cómo Latte, un framework de pruebas de caja negra, genera casos de prueba diversos y semánticamente cercanos para detectar fallos en redes neuronales profundas.
Escala de datos, complejidad y modalidades en generalización visual
Aprende cómo escala de datos, complejidad y modalidades afectan la generalización visual en IA. Resultados clave de un estudio empírico.
De diagnóstico interno a auditoría externa: defensa contra backdoors con VLM
Conoce PRISM, un marco basado en VLMs que cambia el diagnóstico interno por auditoría externa para neutralizar backdoors con tasa de éxito menor al 1%.
Las redes equivariantes identificables son equivariantes por capas
Descubre cómo redes neuronales equivariantes identificables garantizan equivarianza por capas. Un hallazgo clave para entender simetrías en IA.
Explicando neuronas activadas por ausencias
Descubre cómo la IA explicable revela neuronas activadas por la ausencia de conceptos y mejora la eliminación de sesgos en modelos profundos.
Análisis teórico de Engression y Reverse Markov Engression
Descubre los nuevos límites de convergencia no asintóticos para Engression y Reverse Markov Engression. Resultados casi óptimos para aprendizaje de distribuciones condicionales con redes profundas.
Límites de generalización no vacíos para redes profundas sin modificar
Por primera vez, se demuestran cotas de generalización no triviales para redes profundas sin modificaciones, incluso con 600M parámetros. Análisis basado en la geometría de los datos.
Expresividad de arquitecturas de congruencia para DNNs en matrices definidas positivas
La restricción semi-ortogonal en capas de congruencia limita la expresividad de DNNs para matrices PD. Comparativa de clasificadores Riemannianos.
CEAR: Robustez Adversarial Certificada con Ensambles en DNNs
Descubre CEAR: mejora la robustez adversarial certificada en DNNs usando ensambles con ruido y votación. Superior en MNIST, CIFAR10 y TinyImageNet.
LLMs sin Deep Learning: Arquitectura RBF con Óptimo Global
LLMs sin Deep Learning: nueva arquitectura RBF que encuentra el óptimo global en una iteración, eliminando el tedioso entrenamiento.
Interpretabilidad sin concesiones: Desenredando la polisemia en DNNs
Descubre ELUDe, un método innovador que desenreda conceptos en redes neuronales profundas sin afectar su rendimiento. Interpretabilidad clara y práctica.
¿Es suficiente la última capa para cuantificar la incertidumbre?
Descubre por qué la linearización de la última capa ofrece una cuantificación de incertidumbre comparable a la de toda la red, con mucha mayor eficiencia computacional. Estudio teórico y empírico.
Redes Neuronales de Alto Orden Inspiradas en Circuitos para PDE y Visión
CHONN: redes de alto orden inspiradas en circuitos unifican dinámicas neuronales para resolver PDEs y mejorar percepción visual. Modelado estable y eficiente.