IA Física: la capa que impulsa la inteligencia de máquina
Un modelo de IA entrenado solo con datos de radiofrecuencia logra transferencia a audio, imágenes y texto con 77.7% de precisión. ¡Sin ajuste fino!
#simetría
SymTRELLIS: Generación 3D con simetría forzada
Descubre SymTRELLIS, un método que fuerza simetrías en modelos 3D generativos sin reentrenar. Reduce errores de simetría y mantiene precisión. Ideal para diseño asistido por IA.
Transformers Platónicos: Una Opción Sólida para Equivarianza
Aprende cómo los Transformers Platónicos ofrecen equivarianza geométrica sin sobrecarga computacional, ideal para visión, nubes de puntos y química.
Aplanamiento y generalización en redes neuronales homogéneas
Descubre cómo los interpoladores más planos siempre generalizan en redes neuronales homogéneas, según un nuevo estudio sobre modelos multi-índice.
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.
Más allá de simetrías: conectividad lineal vía identificabilidad neuronal
Descubre cómo la identificabilidad de neuronas permite fusionar representaciones sin alineación previa, revelando nuevas conexiones en el deep learning.
Equilibrio entre simetría y eficiencia en modelos de flujo de grafos
Acelera el entrenamiento de modelos generativos de grafos relajando la equivarianza. Aprende cómo la modulación de simetría reduce el sobreajuste y alcanza mejo
Colapso de flujo en hiperconexiones: diagnóstico y mitigación
Diagnóstico y mitigación del colapso de flujo en hiperconexiones de modelos Transformer. Aprende a romper la simetría y mejorar el rendimiento.
Planificación incierta: simetrías, inferencia de políticas y compresión
Descubre cómo las simetrías, la inferencia de políticas y la compresión de soluciones revolucionan la planificación con incertidumbre en IA.
Redes neuronales equivariantes de grupoides y álgebroides de Lie
Explora los fundamentos teóricos de las redes convolucionales equivariantes de Lie. Una nueva perspectiva para modelos invariantes a simetrías.
Equivarianza exacta otorga generalización zero-shot
Descubre cómo la equivarianza exacta entrenada permite generalización zero-shot a través de grupos de simetría, reduciendo errores y mejorando la eficiencia en modelos de IA.
EqGINO: Operadores Neuronales de Fourier con Geometría Equivariante para PDE 3D
Descubre EqGINO, un marco de aprendizaje profundo que garantiza equivariancia geométrica para resolver PDEs 3D en dominios complejos. ¡Mejora la precisión de tus simulaciones!
Las redes equivariantes identificables son equivariantes por capas
Descubre cómo redes neuronales equivariantes identificables garantizan equivarianza por capas. Un hallazgo clave para entender simetrías en IA.
Truncación balanceada Hermite simétrica para sistemas dinámicos a partir de derivadas
Descubre cómo la truncación balanceada con cuadratura Hermite simétrica permite aprender sistemas dinámicos lineales a partir de datos de derivadas, preservando estabilidad y hermiticidad.
Midiendo la tasa de intercambio simetría-datos
Estudio revela que un prior de simetría erróneo perjudica el aprendizaje más que no tenerlo. Además, aumento de datos con promediado iguala modelos equivariante
Garantías generalizadas en inferencia variacional con simetría par y elíptica
Descubre cómo las garantías generalizadas para inferencia variacional con simetría par y elíptica aseguran la recuperación de media y correlación, incluso sin condiciones estrictas.
Simetrías en el aprendizaje PAC-Bayesiano
Descubre cómo las simetrías no compactas mejoran las cotas de generalización en PAC-Bayes. Experimentos validan la teoría.
Difusión compleja paralela para generación escalable de series temporales
Descubre PaCoDi: difusión espectral para series temporales escalables. Supera a métodos tradicionales en calidad y eficiencia.
Misma carga, distinto canal: la asimetría de seguridad en LLMs
Descubre cómo los LLMs reaccionan distinto ante contenido malicioso según si llega por usuario, metadatos o salidas de herramientas. Un estudio revela una asimetría de confianza.
Localización, identificación y sensado de objetivos con simetrías latentes
Descubre cómo las simetrías latentes en una matriz de dispersores permiten localizar e identificar objetivos con precisión, incluso con ruido, usando redes neuronales.