HAMNO: Operador Neural Jerárquico Adaptativo Multi-escala con Física Informada
Descubre HAMNO: un operador neural jerárquico que mejora la precisión y estabilidad en simulaciones de sistemas dinámicos con física informada.
#temas dinámicos
¿Qué incertidumbres necesitamos para sistemas dinámicos?
Descubre qué tipos de incertidumbre (aleatoria y epistémica) son clave en sistemas dinámicos desde la perspectiva del machine learning y cómo modelarlas.
Aprendizaje activo para descubrimiento de modelos en datos ultra escasos
Descubre cómo el aprendizaje activo con E-SINDy identifica ecuaciones dinámicas con datos ultra escasos. Ideal para sistemas complejos.
Inferir forzamiento oculto en oscilador biológico con redes Kolmogorov-Arnold
Descubre cómo las redes Kolmogorov-Arnold infieren forzamiento oculto en osciladores biológicos a partir de datos parciales.
Inferencia de forzamiento oculto en oscilador con redes KAN
Las redes Kolmogorov-Arnold infieren fuerzas ocultas en la respiración aviar a partir de presión. Validadas con electromiografía, revelan patrones sorprendentes.
Representaciones autosupervisadas de sistemas dinámicos para series fisiológicas
PULSE: aprendizaje autosupervisado que extrae representaciones de sistemas dinámicos de series fisiológicas, mejorando clasificación y transferencia.
Poda de subespacios de Koopman en espacios de kernel con vectores principales
Descubre cómo podar subespacios de Koopman en RKHS usando vectores principales para mejorar la precisión predictiva en sistemas dinámicos con grandes datos.
Espacio Vectorial de Ciclos: Inferencia Estadística de Interacciones
Un nuevo marco variacional para inferir interacciones cíclicas en sistemas complejos. Aplicado a fMRI, revela organización recurrente que el promediado de aristas no detecta.
Flujo condicional estabilizado por kernel para datos dispersos
Descubre cómo CVFM modela dinámicas condicionales estocásticas con datos dispersos usando flujo estabilizado por kernel. Ideal para ciencia e industria.
SpectraLDS: Destilación Comprobable para Sistemas Dinámicos Lineales
Conoce SpectraLDS: destilación comprobable para sistemas dinámicos lineales con inferencia constante en tiempo y espacio, ideal para modelado de lenguaje.
LFNO: Uniendo Laplace y Fourier con descomposición transitorio-estacionario
Conoce LFNO, operador neuronal que une Laplace y Fourier para modelar sistemas dinámicos con descomposición transitorio-estacionaria, superando en ODE y PDE.
Perspectiva de sistemas dinámicos para avanzar el modelado de series temporales
Descubre cómo los sistemas dinámicos mejoran el modelado de series temporales: pronósticos precisos y menor costo computacional.
Detección de cambios en sistemas dinámicos ruidosos con operadores empíricos
Descubre cómo detectar cambios en sistemas dinámicos ruidosos usando operadores de transferencia empíricos. Aprende el método con garantías de falsa alarma y aplicaciones en series temporales.
Aprendizaje de sistemas dinámicos no lineales controlados de alta dimensión (I)
Descubre cómo las neural ODEs unifican modelos dinámicos y deep learning, con teoría de campos medios para entrenamiento en alta dimensión.
Detección de cambios en mapas ruidosos con operadores empíricos
Descubre un método para detectar cambios en la densidad invariante de mapas de intervalo ruidosos usando operadores de transferencia empíricos y regularización. Con garantías de falsa alarma.