Interpolación constructiva y generalización en NODEs: control
Interpolación constructiva y generalización con NODEs semi-autónomas. Perspectiva de control para aprendizaje automático.
#redes
Detección neural óptima de bordes en imágenes ruidosas
Descubre cómo un nuevo enfoque basado en redes neuronales detecta bordes en imágenes ruidosas sin necesidad de etiquetas, alcanzando tasas óptimas.
Conjuntos de predicción calibrados por decisión en sistemas eléctricos robustos
Descubre cómo conjuntos de predicción calibrados por decisión mejoran la operación robusta de sistemas eléctricos, reduciendo costos y cumpliendo restricciones.
Vulnerabilidad crítica en teléfonos VoIP HP amenaza redes empresariales
Vulnerabilidad crítica en teléfonos VoIP HP: desbordamiento de búfer permite RCE. Actualiza el firmware para proteger tu red empresarial.
Meta AI entrega cuentas de alto perfil de Instagram a hackers
Los hackers engañaron al chatbot de Meta AI para obtener cuentas de Instagram de alto perfil. Descubre cómo explotaron la vulnerabilidad.
La intersección del cifrado y la IA
Bruce Schneier analiza las limitaciones del cifrado ante amenazas modernas y el rol creciente de la IA en ciberseguridad. Descubre cómo afecta a defensores y atacantes.
MACCA: Aprendizaje por Refuerzo Multiagente Offline con Asignación Causal
Descubre MACCA, un nuevo marco de MARL offline que asigna crédito causal de forma precisa. Mejora el rendimiento en entornos sin interacción.
Resolviendo ecuaciones diferenciales con deep learning: aspectos prácticos
Aprende a resolver ecuaciones diferenciales con deep learning: redes neuronales, retropropagación y método Deep Galerkin. Sin GPU.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
Procesos Gaussianos de Media Fija para Inferencia Bayesiana Post-hoc en Deep Learning
Descubre cómo FMGP mejora la estimación de incertidumbre en redes profundas pre-entrenadas sin sacrificar precisión, escalando a grandes datasets.
LeARN: Aprendizaje y Adaptación para Identificación de Sistemas No Lineales
El marco LeARN aprende funciones base mediante meta-aprendizaje, adaptándose a dinámicas no lineales y superando las limitaciones de SINDy.
Límites de generalización no vacíos para redes profundas sin modificar
Por primera vez, se demuestran cotas de generalización no triviales para redes profundas sin modificaciones, incluso con 600M parámetros. Análisis basado en la geometría de los datos.
Clasificación multi-cáncer con redes Kolmogorov-Arnold interpretables
Descubre MOGKAN, una red profunda interpretable que logra 96.28% de precisión en clasificación de 31 tipos de cáncer usando datos multi-ómicos y redes PPI.
Más allá de lo discreto: complejidad muestral del STE en cuantización 1-bit
Primer análisis teórico de complejidad muestral del Straight-Through Estimator para cuantización 1-bit. Descubre por qué el tamaño de muestra es clave para su éxito.
Aprendizaje de dinámicas hamiltonianas a gran escala
Descubre RO-HNN: combina mecánica hamiltoniana y reducción de orden para aprender dinámicas complejas a gran escala con predicciones consistentes.
Encadenamiento de GNN 2-FWL para alineamiento de grafos combinatorio
Descubre cómo el encadenamiento de GNNs 2-FWL revoluciona la alineación de grafos, superando métodos clásicos como FAQ en precisión y robustez.
Secuencias Neuronales de Baja Discrepancia
Descubre cómo NeuroLDS utiliza aprendizaje profundo para generar secuencias de baja discrepancia, superando métodos clásicos en integración numérica y robótica.
Valores Shapley e interacciones con redes de tensores
Descubre TN-SHAP, un método que acelera valores Shapley e interacciones usando redes de tensores, reduciendo la complejidad exponencial a polinomial.
Entrenamiento basado en población iterado con reinicios sin tareas específicas
Descubre IPBT, un nuevo algoritmo que optimiza hiperparámetros automáticamente en redes neuronales sin aumentar el presupuesto. ¡Mejora tus modelos!
Aproximación con Redes Neuronales Multigrado
Descubre cómo el enfoque Multigrade Deep Learning permite entrenar redes profundas por grados, reduciendo errores residuales y garantizando convergencia uniforme en arquitecturas ReLU.