Reconstrucción de campos térmicos no observables con simulación e IA
Descubre cómo reconstruir campos de temperatura no observables con IA y simulación. Monitoreo en tiempo real para industria.
#redes
Optimización convexa estocástica descentralizada casi óptima en redes
Nuevo método descentralizado acelera la optimización convexa estocástica, logrando la tasa centralizada con más trabajadores. ¡Mejora el escalamiento en redes!
Aproximaciones neuronales certificadas de dinámicas no lineales
Nuevo método adaptativo certifica redes neuronales para dinámicas no lineales con cotas de error formales, superando al estado del arte. Ideal para sistemas críticos.
Corrección de ruido en etiquetas para GNNs robustas por contradicción de influencia
Descubre ICGNN, un método innovador que usa contradicción de influencia para detectar y corregir ruido en etiquetas de GNNs, mejorando la robustez en grafos.
Las características de agregación fija pueden rivalizar con las GNN
Las FAFs convierten el aprendizaje en grafos en problemas tabulares, rivalizando con las GNNs sin entrenamiento. Mayor interpretabilidad.
El poder expresivo de las redes equivariantes en el espacio de pesos
Descubre cómo las redes equivariantes a permutaciones pueden mejorar hasta un 34% el rendimiento en tareas de aprendizaje de pesos. Un análisis teórico completo
Componentes no suaves optimizan el ajuste fino de Vision Transformer
Descubre cómo los componentes no suaves en Vision Transformer mejoran el ajuste fino. La plasticidad de atención y feedforward supera al smoothness tradicional.
Aprendizaje funcional profundo bayesiano disperso y selección de regiones
sBayFDNN: modelo bayesiano profundo que selecciona regiones funcionales con incertidumbre cuantificada para predicciones en ECG, neuroimagen y wearables.
Regresión polinómica bagged y redes neuronales
Descubre cómo la regresión polinómica en bolsas iguala precisión de redes neuronales en predicción ambiental, con transparencia y diagnósticos intuitivos.
Máquina Neural de Langevin: regla asimétrica local creativa
Descubre cómo la Máquina Neural de Langevin usa reglas locales asimétricas para generar imágenes creativas y eliminar ruido, con aplicaciones biológicas.
Equipo médico y resultados del paciente: análisis predictivo con IA
Descubre cómo la IA analiza la colaboración entre profesionales sanitarios para predecir la supervivencia del cáncer. Un enfoque innovador basado en datos de EHR.
Matching deriva-difusión en redes neuronales asimétricas
Descubre cómo las RNN asimétricas modelan dinámicas complejas con drift-diffusion matching, aplicado a memorias asociativas y episódicas.
Entrenamiento condicionado por camino para reescalar redes ReLU
Descubre cómo entrenamiento condicionado por camino reescala redes ReLU para acelerar aprendizaje. Enfoque geométrico optimiza kernels y mejora inicialización.
DoJ desarticula fraudes cripto en Sudeste Asiático y congela $3.8M
El DoJ desarticula redes de fraude cripto en el Sudeste Asiático y congela $3.8 millones en activos. Conoce los detalles de la operación Semana de Disrupción.
PE-MHL: Capas Híbridas Modulares Codificadas con Física
Descubre PE-MHL: capas híbridas modulares que combinan física y datos para aprendizaje escalable de sistemas complejos. Precisión, robustez y mejor generalización.
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.
Pruebas de redes neuronales guiadas por Bayes en paisajes de decisión
Descubre cómo BayesWarp mejora el testing de redes neuronales, descubriendo fallos diversos con cercanía a datos originales. Aumenta fiabilidad.
MeshTok: Tokenización Multiescala Eficiente para PDE Transformers
Descubre cómo MeshTok optimiza la tokenización multiescala para Transformers de PDE, mejorando el equilibrio de eficiencia y precisión en simulaciones.
Capacidades y limitaciones de redes neuronales reales en espacios complejos
Descubre la relación asintótica entre capacidades de redes neuronales reales y complejas en espacios complejos usando la fórmula HCIZ.
Modelado PINN de transporte de contaminantes biodegradables en revestimientos compuestos
Descubre cómo las PINN con restricciones duras mejoran la precisión en el modelado de contaminantes biodegradables en revestimientos compuestos, reduciendo errores hasta un 97%.