Identificación de leyes físicas desde video: EDOs lineales con datos mínimos
Identifica parámetros físicos desde video con datos mínimos. Sistemas subamortiguados requieren solo un clip. Sin reconstrucción de píxeles.
#regularización
El rol de la codificación de clases en el colapso neuronal
Analizamos cómo la codificación de etiquetas (one-hot) afecta el colapso neuronal en redes, con foco en el sesgo del clasificador y la pérdida MSE.
Optimización offline regularizada con creencia bayesiana híbrida posterior
Nuevo método unifica incertidumbre epistémica y de modelo en RL offline. Optimización regularizada con creencia bayesiana híbrida.
Diversidad sobre frecuencia: repensar uso de herramientas en agentes visuales
La diversidad en exploración supera a la frecuencia de uso de herramientas. Descubre el colapso y cómo la regularización de entropía mejora el razonamiento.
Geodesias unificadas con restricciones tangentes y regularización de curvatura
Geodesias con restricciones tangentes y regularización de curvatura mejoran la segmentación al evitar atajos y preservar formas. ¡Descúbrelo!
Claves de un modelo fuerte: análisis espectral de transferencia de conocimiento
Descubre cómo la transferencia de conocimiento potencia modelos de IA mediante análisis espectral unificado. Incluye destilación y generalización débil-fuerte.
UR-JEPA: Rectificabilidad Uniforme como Regularizador en JEPA
UR-JEPA logra un 0.83% más de precisión que LeJEPA en Inet10 con menor varianza, y produce representaciones geométricamente distintas.
Síntesis controlable de nódulos pulmonares con difusión latente
Nuevo modelo de difusión latente con regularización por histograma genera nódulos pulmonares realistas para mejorar diagnóstico del cáncer en TC.
DISCO: Mitigación de sesgo en deep learning con correlación condicional
Aprende cómo DISCO mitiga sesgos en modelos de deep learning usando correlación de distancia condicional. Resultados más precisos y robustos.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Ubicuidad de la dinámica hebbiana emergente en aprendizaje regularizado
Descubre: La regularización L2 genera dinámicas hebbianas emergentes en el aprendizaje. El ruido estocástico induce anti-hebbianismo. Implicaciones clave.
El decaimiento de peso mejora la plasticidad de modelos de lenguaje
Descubre cómo un mayor weight decay durante el preentrenamiento puede mejorar la plasticidad de los LLM, generando mejor rendimiento tras el fine-tuning.
TASER: Regularización Stein para robustez guiada por geometría
Descubre TASER, un método de regularización que mejora la robustez adversarial sin degradar la precisión. Basado en operadores Stein, ideal para deep learning.