MidSurfNet: Aprendizaje para abstracción de superficies medias
MidSurfNet usa IA para emparejar caras y generar superficies medias con offset variable, superando limitaciones en modelos CAD de pared delgada.
#redes
VRP reformulado como distancia de edición de grafos
Descubre cómo reformular el Problema de Enrutamiento de Vehículos como maximización de distancia de edición de grafos, revelando propiedades estructurales y mejorando la optimización de rutas.
Reconstrucción de temperatura urbana con GNN y sensores dispersos
Descubre cómo las redes neuronales gráficas reconstruyen mapas de temperatura urbana con incertidumbre a partir de sensores limitados. Ideal para monitoreo climático y riesgo de calor.
Recuperación exacta de comunidades en SBM con consultas limitadas
Descubre cómo las consultas adaptativas superan el límite de consultas uniformes para recuperar comunidades exactamente.
Meta-aprendizaje bayesiano para modelar la progresión del Alzheimer
Descubre cómo el meta-aprendizaje bayesiano permite predecir la progresión del Alzheimer de forma personalizada, mejorando el pronóstico a largo plazo sin reentrenamiento.
Redes Neuronales Recurrentes Guiadas por Física para Predicción Multietapa
Descubre cómo las redes neuronales recurrentes guiadas por física mejoran la predicción multietapa, incluso con datos limitados y modelos imperfectos.
Cómo la optimalidad estructura diccionarios dispersos: teoría SAE
Descubre cómo la teoría de optimalidad explica el comportamiento de los Autoencoders Dispersos (SAE) y sus diccionarios dispersos. Mejora la interpretabilidad de las representaciones neuronales.
Autoencoder de varianza ordenada para descubrir relaciones no lineales estáticas
Descubre cómo extraer relaciones estáticas no lineales de datos no etiquetados con autoencoder de varianza ordenada. Ideal para optimización en tiempo real.
Síntesis de controladores neuronales con garantías de disipatividad
Aprende a sintetizar controladores neuronales con disipatividad garantizada. Maximiza recompensas en sistemas no lineales con estabilidad y ganancia L2.
Método corrige localización de circuitos con retropropagación consciente
Aprende cómo GIM, un nuevo método de retropropagación, mejora la localización de circuitos en modelos de lenguaje al tener en cuenta interacciones.
Reacciona a sorpresas: Control neuronal estable con Youla-REN
El control neuronal Youla-REN garantiza estabilidad por diseño ante imprevistos. Ideal para entrenamiento con horizontes cortos y sistemas inciertos.
BERT4beam: Optimización de beamforming con IA a gran escala
Descubre BERT4beam, el modelo de IA que optimiza el beamforming para 6G con rendimiento casi óptimo y adaptabilidad a múltiples escenarios.
Beamforming Híbrido Robusto con GNN y CSI Generativo y Denoising
Descubre cómo las GNN y modelos generativos basados en puntuaciones mejoran el beamforming híbrido al generar y limpiar CSI, logrando mayor robustez en comunicaciones inalámbricas.
Alerta temprana basada en mediciones de fallos de fiabilidad en redes ferroviarias 5G NSA
Descubre cómo los modelos de machine learning anticipan fallos de fiabilidad en redes 5G NSA ferroviarias usando mediciones en tiempo real. Un estudio con CNN, LSTM y más.
Paso Polyak estocástico protegido para optimización no suave
Nuevo método SPS protegido para optimización no suave en redes neuronales. Convergencia robusta sin gradientes pequeños. ¡Mejora tu entrenamiento!
KromHC: Conexiones Hiper con Matrices Residuales de Producto Kronecker
KromHC mejora conexiones hiper en redes neuronales usando matrices residuales con doble estocasticidad exacta. Reduce parámetros y mejora rendimiento.
Aproximación de divergencias-f con estadísticos de rango
Aproxima divergencias-f con estadísticos de rango. Método rank-statistic para alta dimensión usando proyecciones aleatorias. Eficiente y validado.
Garantías estadísticas para sondas de inferencia de circuitos booleanos con bucle
Las sondas de razonamiento en circuitos booleanos con bucle ofrecen garantías estadísticas óptimas sin depender del tamaño del grafo. ¡Descubre más!
Redes profundas analizan lenguajes libres de contexto con estadísticas locales
Las redes profundas aprenden a analizar lenguajes libres de contexto usando solo estadísticas locales. Un estudio revela cómo emergen representaciones jerárquicas.
Aproximaciones locales al aprendizaje en RNN lineales
Exploramos la dinámica del aprendizaje local en redes recurrentes lineales. Comparamos RFLO, tBPTT y BPTT, revelando diferencias cualitativas y soluciones de bajo rango.