LMT: Descubrimiento causal en alarmas textuales de fabricación
Aprende cómo el marco bayesiano LMT combina LLMs y datos temporales para descubrir relaciones causales en alarmas de fabricación.
#temporal
SPDM: Modelado con restricciones de variedad para series temporales
Descubre SPDM, un modelo con restricciones de variedad para pronóstico preciso y eficiente de series temporales.
¿Importa la normalización en modelos causales grandes de series temporales?
Evaluamos el impacto de distintas normalizaciones en modelos causales de series temporales con transformers. Resultados clave para forecasting.
Evaluación de peligro sísmico espacio-temporal con VQ-VAE y SSFs
Descubre cómo un modelo híbrido VQ-VAE y características estadísticas mejora la predicción sísmica localizada en Japón, superando métodos tradicionales.
Predicción Adaptativa de Tensores para Datos en Streaming
Nuevo marco de regresión tensorial adaptativa para predicción en streaming: modelos MoM y ToM con SGD. Reduce errores y mejora el filtrado de ruido en datos de alta dimensión.
Predicción de Calidad en Manufactura Aditiva 3D con Transformador de Grafos
Un transformador de grafos espaciotemporal modela interacciones 3D en manufactura aditiva para predecir y mejorar calidad de piezas metálicas. ¡Lee más!
Redes Neuronales Temporales Sheaf con Transporte Ortogonal Dinámico
Descubre cómo las redes neuronales sheaf temporales mejoran la predicción de enlaces en grafos con evolución temporal, usando marcos ortogonales dinámicos y transporte local.
Haciendo Editable el Tiempo en Transformers de Difusión de Video
Descubre cómo un nuevo método permite editar el tiempo en videos generados por IA, controlando velocidad y estructura sin rediseñar el modelo.
Aprendizaje exacto de vecinos cercanos en series temporales financieras de alta frecuencia
Descubre cómo Mojo SIMD k-d tree logra aceleraciones de hasta 43.5x en búsqueda exacta de vecinos cercanos para datos financieros de alta frecuencia, manteniendo precisión.
Hacia el Mecanismo de Ramificación Crítica en Redes Neuronales Recurrentes
Redes LSTM pequeñas exhiben dinámicas near-críticas con avalanchas de escala libre. Las grandes son subcríticas. ¿Qué implica esto para la IA?
Detectabilidad distribuida frente a ataques marginal-preservantes
Los ataques que reparten el daño en pasos benignos burlan monitores unipaso. Descubre cómo la correlación temporal los detecta.
Resilient Write: Superficie de escritura duradera de seis capas
Descubre Resilient Write: protege escrituras de agentes LLM con seis capas: reduce 5x el tiempo de recuperación y 13x la autocorrección.
STARIXNet: Asignación de recursos en cloud con deep learning multivariable
STARIXNet: deep learning multivariable para asignación de recursos en cloud, reduce costes hasta 50% y mejora estabilidad.
TriHead-GAN: Red generativa antagónica con triple discriminador para series de carbono
La falta de datos de emisiones de carbono impide el análisis con IA. TriHead-GAN genera series sintéticas realistas con triple discriminador. ¡Mejora tus pronósticos!
Predicción Parcialmente Performativa
Descubre cómo la predicción parcialmente performativa aborda cambios de distribución endógenos y exógenos en modelos predictivos. Aprende heurísticas prácticas para adaptarte.
Cobertura temporal sobre densidad: entrenamiento eficiente para ML climático
Distribuir años de entrenamiento a lo largo del clima mejora modelos de downscaling, superando la continuidad temporal. Ahorra recursos computacionales.
Alineación Semántica Causal para Pronósticos de Series Temporales con LLM
Descubre cómo CVAformer desenreda componentes dinámicos e invariantes para mejorar los pronósticos de series temporales con LLMs. Resultados superadores.
Alineación Semántica Causal en Pronósticos de Series Temporales con LLM
CVAformer alinea variables de series temporales eliminando correlaciones espurias mediante intervención causal. Resultados superiores en predicciones a corto y largo plazo.
¿Cuándo son reales los descubrimientos de interacciones neuronales?
¿Son reales las interacciones neuronales? Un diagnóstico previo basado en el rango efectivo de la covarianza ayuda a detectar artefactos en modelos de IA.
¿Son reales las interacciones neuronales? Identificabilidad y diagnóstico
Descubre cómo saber si las interacciones neuronales que detecta tu modelo son reales o artefactos. Un diagnóstico basado en el rango efectivo te ayuda antes de ajustar el modelo.