TANDEM: Optimización Bilevel de Mezcla de Datos con Redes Gemelas
Descubre TANDEM, un método que optimiza las proporciones de datos por dominio usando redes gemelas para mejorar el rendimiento de modelos de lenguaje grandes.
#redes
LC-PINN: Redes neuronales con pérdida condicional para familias paramétricas de EDP
Descubre cómo LC-PINN entrena un único modelo que resuelve toda una familia de ecuaciones diferenciales paramétricas, sin datos generados por solver.
Entrenamiento conjunto de capas en redes ReLU para modelos lineales
Aprende cómo el descenso de gradiente logra convergencia lineal en redes ReLU, evitando puntos silla y alcanzando el mínimo global.
HalfNet: Redes Neuronales Aleatorias con Geometría de Subespacio
Descubre HalfNet, la red neuronal que aprende la geometría de sus pesos aleatorios. Reduce parámetros sin perder precisión en MNIST y CIFAR-10.
Selección precisa de modelos en adaptación profunda no supervisada de dominio
DEV ofrece selección precisa de modelos en UDA sin sesgo. Descubre cómo mejora la validación y estandariza la comparación de algoritmos.
Robustez de modelos vía información de Fisher: límites y algoritmos
Descubre cómo medir la robustez de modelos de IA con la información de Fisher, una métrica atacable-agnóstica que predice vulnerabilidad adversarial. Guía teórica y práctica.
Adaptación de usuario con pocos ejemplos e incertidumbre para HAR personalizado
Método sin gradientes para personalizar HAR en dispositivos: con 3 segundos de calibración, mejora hasta 33 puntos F1. ¡Descúbrelo!
Cuantificación multi-dominio y cola larga: alineación y escalado
Descubre EmaQ y EmaQ-LT: cuantificación precisa para redes neuronales con dominios múltiples y desbalance, mejorando la eficiencia en dispositivos limitados.
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
Escalando la generación de grafos novedosos con modelos autorregresivos ligeros
Descubre cómo un marco autorregresivo ligero escala la generación de grafos con alta novedad y eficiencia. Ideal para IA y ciberseguridad.
Graph Cascades: reconfiguración mesoscópica para GNNs
Mejora tus GNNs con Graph Cascades: una técnica de reconfiguración mesoscópica basada en difusión por contagio que optimiza la clasificación en grafos homofílicos y heterofílicos.
RIDE: Dataset abierto para predecir retrasos de trenes
Explora RIDE, el dataset abierto para predicción de retrasos ferroviarios. Compara redes neuronales, estadísticos y más. ¡Optimiza tus modelos!
Caracterización geométrica de la meseta estacionaria en redes de dos capas
Descubre cómo la geometría de mesetas estacionarias en redes de dos capas revela si el desdoblamiento de neuronas produce mínimos locales o puntos de silla.
DeepMDMD: Aprendizaje Koopman con preservación algebraica
Explora DeepMDMD, un método de aprendizaje profundo que preserva el álgebra de Koopman, reduciendo contaminación espectral y logrando predicciones estables en s
Aprendizaje multitarea generalizable para redes inalámbricas con PromptDT
Descubre cómo PromptDT, un enfoque multitarea, mejora hasta un 49% la QoE en redes inalámbricas, generalizando a nuevas configuraciones sin reentrenamiento.
SpliceBind: Predicción de farmacabilidad de bolsillos según isoformas
Descubre SpliceBind, el modelo de IA que predice la farmacabilidad de bolsillos de unión según isoformas, mejorando la predicción de resistencia a fármacos diana en cáncer.
DegradoMap: Predicción de degradabilidad de proteínas con PROTACs
DegradoMap predice degradabilidad de proteínas con PROTACs usando solo estructura y E3 ligasa. Logra AUROC 0.646 en objetivos no vistos. ¡Prioriza experimentos!
SC-TauPath: atribución de conectividad estructural para rutas de tau
Descubre cómo SC-TauPath usa conectividad estructural y redes neuronales para mapear rutas de tau en Alzheimer, validando el estadiaje de Braak.
Privacidad Bayesiana de Membresía para Redes Neuronales de Grafos
Descubre cómo la Privacidad Bayesiana de Membresía (BMP) ofrece un análisis fino de la filtración de datos en GNNs, superando las métricas globales.
Escala de datos, complejidad y modalidades en generalización visual
Aprende cómo escala de datos, complejidad y modalidades afectan la generalización visual en IA. Resultados clave de un estudio empírico.