XOResNet: Meta-residuales XOR para SNNs profundas
Descubre XOResNet, que usa meta-residuales XOR para superar limitaciones del aprendizaje residual en SNNs. Logra mejor precisión en CIFAR y miniImageNet.
#redes
Reinterpretando los umbrales de seguridad como umbrales de disparo neuronal
Reinterpreta umbrales de seguridad como disparos neuronales con SNN para alinear evaluación de riesgos con el frenado humano.
Actualizando el modelo de neurona estándar en redes neuronales artificiales
Descubre cómo actualizar el modelo de neurona estándar en redes neuronales artificiales con un enfoque cortical realista que mejora expresividad, robustez y velocidad de aprendizaje.
Algoritmo Evolutivo para Aprendizaje y Rendimiento de Reservorios
EARLY optimiza topología e hiperparámetros de redes reservorios con algoritmos evolutivos. Supera búsqueda aleatoria en tareas temporales. ¡Resultados!
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.
Generación de fMRI con wavelet y flujo espectral para trastornos cerebrales
Descubre cómo el modelo DSFM genera fMRI realista usando transformada wavelet y flujo espectral para mejorar la identificación de trastornos cerebrales.
Mezcla de Expertos en GNN Condicionada por Grafos para Pronóstico de Tráfico
GC-MoE asigna expertos congelados personalizados a cada nodo vial, mejorando precisión en pronóstico de tráfico con solo 17K parámetros.
Benchmarking de métodos de incertidumbre para temperatura de gas de turbina
Comparativa de cinco métodos de ML para cuantificar incertidumbre en temperatura de turbina. Descubre cuál ofrece mejor precisión y confiabilidad.
ML científico para predicción de vida útil restante en motores
Descubre cómo el ML científico predice la vida útil de motores y su temperatura con incertidumbre cuantificada para un mantenimiento inteligente y seguro.
Escalando aprendizaje de grafos de alto orden con complejos de cliques maximales
Descubre cómo los complejos de cliques maximales escalan el aprendizaje de grafos de alto orden con mayor eficiencia y sin perder expresividad.
Si los LLM tienen atributos humanos, también Age of Empires II
¿Son realmente humanos los LLM? Un estudio demuestra que atribuirles moralidad o comprensión es tan válido como hacerlo con Age of Empires II. Descubre por qué.
Circuitos Certificados: Garantías de Estabilidad para Circuitos Mecanísticos
Descubre cómo los circuitos certificados ofrecen estabilidad demostrable en interpretabilidad mecánica: hasta 56% más precisión y 80% menos componentes.
Machine Learning de Grafos en la Era de los LLMs
Los LLMs revolucionan el Machine Learning de Grafos: mejoran características, reducen datos etiquetados y potencian el razonamiento. Descubre cómo.
Refinamiento de pose humana mediante aprendizaje basado en ángulos articulares
Descubre cómo el método JAR, basado en ángulos articulares y redes recurrentes, refina la estimación de pose humana corrigiendo errores y suavizando trayectoria
Redes Residuales de Memoria de Reservorio
Descubre las Redes Residuales de Memoria de Reservorio (ResRMN), una nueva clase de RNN no entrenadas que mejoran la propagación temporal mediante conexiones residuales ortogonales.
Calibración sin objetivo ante cambios de distribución con FGR
Descubre cómo FGR mejora la calibración de modelos de IA ante cambios de distribución sin necesidad de datos del destino. Aprende a implementarlo.
Asignación de ancho de banda con partición de dispositivos para FL en IIoT
Optimiza el entrenamiento de modelos FL en redes IIoT con una novedosa asignación de ancho de banda con partición de dispositivos que reduce tiempo y energía.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Difusión No Supervisada para Optimización Combinatoria vía Ajuste Adjunto
Descubre CAM, un método no supervisado de difusión para optimización combinatoria que supera soluciones supervisadas. Resultados competitivos sin datos etiquetados.
Aprendizaje de Coordinación Multi-Agente mediante Sheaf-ADMM
Descubre cómo un nuevo marco de optimización diferenciable permite a agentes coordinarse resolviendo subproblemas locales con ADMM y sheaf, mejorando robustez y