HOPSE: Codificador Posicional y Estructural de Alto Orden Escalable
Descubre HOPSE: codificador de alto orden que escala en aprendizaje topológico, superando a métodos tradicionales.
#redes
HOPSE: Codificador de Posición y Estructura para Representaciones de Alto Orden
HOPSE ofrece codificación posicional y estructural escalable para aprendizaje topológico, superando a la propagación de mensajes en velocidad y precisión.
GenFT: Ajuste eficiente generativo para modelos preentrenados
GenFT: método de ajuste fino que genera actualizaciones de pesos condicionadas a pesos originales. Mejora NLP y visión con pocos parámetros.
Aprendizaje resistente al ruido de etiquetas con máscara de daño cerebral óptimo
Enmascaramiento selectivo de bordes basado en OBD intercepta gradientes ruidosos y mejora robustez frente a etiquetas ruidosas. Plug-and-play superior.
Aprendizaje resistente a ruido de etiquetas con OBD
Descubre cómo el enmascaramiento OBD intercepta gradientes ruidosos y mejora la robustez ante etiquetas erróneas. Resultados superiores en benchmarks.
Concept-SAE: interfaz controlable e invertible para SAEs
Concept-SAE: controla y edita conceptos en redes neuronales, mejorando interpretabilidad y detectando ataques adversariales. ¡Descúbrelo!
Concept-SAE: Interfaz de Conceptos Controlable e Invertible
Descubre cómo Concept-SAE controla conceptos específicos en modelos de IA, mejorando interpretabilidad y detección adversarial.
Leyes de escalamiento y espectros en redes neuronales superficiales
Descubre cómo las leyes de escalamiento en redes superficiales vinculan espectros de pesos y generalización, validando observaciones empíricas.
Leyes de escalado y espectros en redes neuronales superficiales
Descubre cómo las leyes de escalado en redes superficiales explican la generalización mediante el espectro de pesos. Validación teórica.
Desentrañando la Estructura Dinámica Oculta en Políticas Neuronales Recurrentes
Descubre cómo los ciclos límite en políticas neuronales recurrentes explican su robustez y adaptación. Análisis desde sistemas dinámicos.
VarEOT: Transporte Óptimo Entrópico sin MCMC
Descubre VarEOT: reformulación variacional del log-partición en EOT. Entrenamiento diferenciable sin MCMC, mejores resultados en traducción de imágenes.
Más allá de las recompensas en el aprendizaje por refuerzo para ciberdefensa
Descubre cómo las recompensas dispersas en el aprendizaje por refuerzo mejoran la ciberdefensa, ofreciendo políticas más seguras y efectivas que las densas.
Poliedros de descomposición de funciones lineales por partes
Exploramos cómo descomponer funciones lineales por partes en diferencia de convexas, minimizando piezas. Aplicaciones en optimización y redes neuronales.
Respuesta de modelos climáticos de IA al calentamiento oceánico uniforme
Evaluamos cómo los modelos de IA reproducen el calentamiento oceánico en simulaciones climáticas. ¿Son fiables para predecir el cambio climático?
Cierre no markoviano asistido por Mamba para modelado de orden reducido
Descubre cómo el modelo MAC, basado en Mamba, mejora la precisión y estabilidad en el modelado de orden reducido de sistemas dinámicos.
EVIDENT: cómo seleccionar la mejor arquitectura neural para glucosa
Descubre EVIDENT, un innovador marco de selección de arquitecturas neurales basado en evidencia para predecir glucosa con precisión incluso con datos escasos.
Superando los límites de los potenciales interatómicos sin restricciones
Descubre cómo los potenciales interatómicos sin restricciones superan en precisión y velocidad a modelos físicos, incluso en simulaciones estáticas.
Validación en campo de modelo ConvLSTM multirresolución para deformación de muros
Descubre cómo un modelo ConvLSTM multirresolución predice deformaciones en muros de contención con solo 1.4 mm de error, validado en 11 excavaciones reales.
Mitigando la maldición de la dimensionalidad con activaciones suaves
Aprende cómo las redes neuronales con activaciones suaves mitigan la maldición de la dimensionalidad, garantizando convergencia uniforme y robustez en regresión. ¡Entra!
Q-GNN: Redes Neuronales de Grafos Condicionadas por Consulta y Tipo
Descubre cómo Q-GNN integra información de entidad y tipo semántico para mejorar el completado de grafos de conocimiento, superando métodos basados solo en relaciones.