Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
#redes
Condensación eficiente y escalable de grafos con preservación de estructura
Conoce SP-ESGC: método eficiente y escalable para condensar grafos preservando estructura. Mejora generalización y reduce costos computacionales.
Codificación Predictiva con Lagrangiano Aumentado
Descubre PC-ALM: un algoritmo de codificación predictiva que iguala el rendimiento de la retropropagación usando dinámicas locales. Ideal para redes profundas.
Redes Neuronales de Fourier Multi-Escala para EDP de Alta Frecuencia
Descubre cómo las Redes Neuronales de Fourier Multi-Escala resuelven EDP de alta frecuencia con precisión sin precedentes, superando a PINN y SV-SNN.
Desafíos del aprendizaje por refuerzo en sistemas energéticos industriales
Analizamos los desafíos del RL en sistemas energéticos reales: observabilidad, diseño de acciones, recompensa y la brecha simulación-realidad.
Modelos de difusión riemannianos en variedades generales mediante PINNs
Aprende cómo las PINNs permiten resolver la ecuación del calor en variedades para modelos generativos de difusión riemanniana, sin necesidad de núcleos analíticos.
Descomposición de tipos de fraude y límites de detección por clase
Descubre por qué tratar el fraude como homogéneo es un error. Taxonomía de 5 clases de fraudes con límites de detección específicos en pagos.
Hacia Autoencoders Dispersos Identificables
Los nuevos autoencoders dispersos identificables (iSAE) mejoran la estabilidad y precisión en la interpretación de redes neuronales. Aprende más.
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.
Interpretabilidad sin pérdida: Desenredando la polisemia
Descubre ELUDe, método que mejora interpretabilidad sin sacrificar rendimiento. Desenreda polisemia neuronal manteniendo precisión. ¡Lee más!
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
Einops gráficos: uniendo redes tensoriales y grafos de cómputo
Aprende cómo el cálculo gráfico einops permite demostraciones visuales de equivarianza y optimiza atención dispersa.
Relación entre activaciones atípicas y muerte de características en SAE
Descubre cómo los valores atípicos en las activaciones neuronales provocan la muerte de características en autoencoders dispersos y cómo solucionarlo con centrado de media.
Visión artificial para evaluar respuesta de peces a objetos en acuicultura
Novedoso sistema de visión artificial con YOLOv8 y seguimiento 3D analiza reacciones de peces ante objetos intrusivos en acuicultura.
Modelos de dinámicas de red con múltiples condiciones iniciales usando WSINDy
Descubre cómo WSINDy extrae modelos efectivos de dinámicas en redes usando múltiples condiciones iniciales, mejorando precisión con alto ruido.
Modelos Generativos y Validación Estadística
Descubre cómo los modelos generativos modernos transforman la física y cómo medir su precisión, exactitud y potencia estadística.
Transporte de Sargassum: aprendizaje con datos limitados
Descubre la IA y el machine learning mejoran la predicción del transporte de sargazo con datos limitados de boyas. Aplicaciones en Puerto Rico y Gulf Stream.
¿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.
Inferencia Bayesiana con MLPs Profundos No Lineales
Descubre cómo la inferencia bayesiana en MLPs profundos no lineales se simplifica a un método kernel y cómo la profundidad mejora la evidencia del modelo. Una nueva perspectiva teórica.
Red neuronal holomorfa para problemas de contorno 3D con potenciales armónicos
Redes neuronales holomorfas resuelven problemas de contorno 3D sin residuos internos. Validado en Laplace y elasticidad.