TN-SHAP-G: Red tensorial para Shapley en gráficos
Descubre TN-SHAP-G: calcula valores Shapley en gráficos usando redes de tensores, sin Monte Carlo. Explicabilidad eficiente para modelos complejos.
#redes
GJDNet: Redes de grafos robustas con aprendizaje disentangled
GJDNet mejora la robustez de GNNs frente a ataques con representaciones y decisiones disentangled. Aísla perturbaciones y estabiliza fronteras de decisión en grafos diversos.
Construcción de grafos de conocimiento histórico con BERT y GNN
Descubre cómo combinar BERT y GNN para construir grafos de conocimiento histórico. Extrae entidades y relaciones de textos antiguos con alta precisión.
ProbeScale: Análisis de Sondas para Optimizar Leyes de Escalado en SLMs
Descubre cómo ProbeScale optimiza SLMs mediante análisis de sondas, seleccionando subredes que reducen hasta 10 veces los parámetros sin perder rendimiento.
Atención guiada por física en TCN ligera para HAR con WiFi CSI
Modelo ligero de TCN con atención guiada por física para HAR con WiFi CSI. Reduce costos computacionales y mejora precisión.
RA-LWLM: Localización In-Context Mejorada con Recuperación para Redes 6G
Descubre cómo RA-LWLM logra localización 6G adaptativa sin reentrenamiento usando recuperación de contexto
Mecanismos de atención y transfer learning para clasificar daños en hojas de durazno
Descubre cómo la atención y transfer learning clasifican daños en hojas de durazno con 93% de precisión incluso bajo condiciones variables.
LALE: Arquitectura Transformer Ligera para Estimación de Cobertura Terrestre
Descubre LALE, la nueva arquitectura Transformer ligera que bate récords de eficiencia en segmentación de imágenes satelitales. Solo 1.6M parámetros.
AgentxGCore: IA agéntica para la red central de 6G
Descubre cómo AgentxGCore usa agentes de IA y LLMs para optimizar la red central 6G, permitiendo autoorganización y adaptación en tiempo real.
Representaciones más ricas para razonamiento algorítmico neuronal mediante reconstrucción auxiliar
Mejora el razonamiento algorítmico neuronal con reconstrucción auxiliar: representaciones más ricas que potencian el rendimiento de arquitecturas existentes.
Destilación interpretable de políticas para control de topología de red
La destilación de políticas de deep RL en árboles de decisión mejora el control de redes eléctricas: mayor recompensa, supervivencia y transparencia.
Dificultad de aprender meta-red para selección de datos
La selección de datos sintéticos con meta-redes tiene desafíos. Descubre cómo aumentar el tamaño de lote y usar características informativas mejora el rendimiento en un 5.49%.
DASH: Destilación de Puntajes de Doble Rama para Modelos de Difusión Compactos
Descubre cómo DASH comprime modelos de difusión manteniendo calidad y guía, superando al entrenamiento desde cero.
Propagación adaptativa guiada por estructura para PPIS
Conoce el innovador modelo SGAP-PPIS que predice sitios de interacción proteína-proteína usando propagación adaptativa.
Desarrollo algorítmico con LLMs: optimización de contracción tensorial
Descubre cómo los LLMs impulsan el desarrollo algorítmico con un caso práctico de optimización de contracción en redes tensoriales. Resultados y desafíos para científicos.
RL-ACRGNet: Red de generación de informes de radiología de tórax
RL-ACRGNet: un innovador modelo de IA que genera informes radiológicos de tórax con aprendizaje por refuerzo, mejorando precisión y coherencia clínica. ¡Conócelo!
S3TS: Búsqueda estructurada por escenarios para planificación bajo incertidumbre
Descubre S3TS, un algoritmo que combina escenarios estocásticos y búsqueda estructurada para planificar bajo incertidumbre. Reduce costes hasta un 51% en sistemas energéticos no lineales.
MCP-Persona: Benchmark para agentes LLM en apps personales
Nuevo benchmark MCP-Persona para evaluar agentes LLM en apps personales reales como Reddit y Slack. Simulación de entornos para mejorar su rendimiento.
Nueva estrategia de aumento de datos para clasificación robusta de señales biomédicas (ECG y EEG)
Descubre una nueva estrategia de aumento de datos para clasificar señales ECG y EEG con precisión del 100%. Modelo ligero listo para wearables.
Modelo ligero de deep learning para nodos influyentes
Descubre 1D-CGS, un modelo ligero que combina CNN 1D y GraphSAGE para rankear nodos influyentes en redes complejas con alta precisión y rapidez. Ideal para grandes escalas.