Precarga espacio-temporal de expertos para inferencia eficiente en MoE LLM
Descubre cómo la precarga espacio-temporal de expertos acelera la inferencia de LLMs MoE sin sacrificar precisión. Mejora rendimiento y eficiencia energética.
#temporal
Biarquetipos en datos funcionales univariados aplicado a series macroeconómicas
Descubre cómo el análisis de biarquetipos identifica regímenes en bonos europeos (2001-2025) con Alemania, Grecia y Hungría como arquetipos.
Predicción conforme espectral adaptativa en datos no intercambiables
Mejora la precisión de predicciones en datos no intercambiables con estacionalidad y regímenes cambiantes usando el método híbrido de predicción conforme
VAE Markov consciente del contexto para compresión de CSI en sistemas inalámbricos
Descubre cómo el VAE Markov consciente del contexto mejora la compresión de CSI en sistemas MIMO masivos, optimizando la retroalimentación limitada. ¡Lee más!
STAR-NT: Aceleración espacio-temporal del renderizado de transparencia neural
Descubre cómo STAR-NT acelera el renderizado de transparencia neural usando coherencia espacial y temporal. Ideal para móviles y legacy.
Dynestyx: Biblioteca de Programación Probabilística para Sistemas Dinámicos
Descubre Dynestyx, la librería que integra modelos de espacio de estados con programación probabilística. Realiza inferencia robusta y cuantifica incertidumbre
Distribuciones Predictivas Generativas para Series Temporales
Descubre un nuevo marco basado en GANs que modela distribuciones predictivas completas para series temporales, facilitando cálculos de riesgo y pronósticos
Emparejamiento de series temporales VAR correlacionadas
Empareja series temporales VAR correlacionadas y recupera permutaciones ocultas con optimización y asignación lineal. Técnicas eficientes.
Modelos Autorregresivos: Predecir el Futuro con el Pasado
Descubre cómo los modelos autorregresivos predicen el futuro analizando datos pasados. Aprende su funcionamiento y aplicaciones en IA y series temporales.
Computación dividida inalámbrica con neuronas de resonancia
Ahorra energía en IA de borde con neuronas de resonancia: procesa señales temporales sin preprocesamiento espectral. Ideal para IoT y clasificación de audio.
ANCHOR: Corrección Numérica Adaptativa para Propagación Temporal
Descubre ANCHOR, un método híbrido que controla el error en simulaciones de PDEs con operadores neuronales, garantizando predicciones estables.
Cómo la validación temporal afecta la predicción de mortalidad infantil con ML
Descubre cómo la validación temporal cambia la utilidad de los modelos de machine learning para predecir la mortalidad infantil en Bangladesh. Un estudio clave
Generación de video cardíaco consistente y controlable mediante modelado de movimiento latente
Un nuevo método de IA genera videos cardíacos realistas y controlables, superando la escasez de datos médicos. FID de 31.68 y CLIP score de 31.04.
No toda recuperación es útil: atención cruzada para RAG en series temporales
Cross-RAG optimiza predicción de series temporales filtrando recuperaciones irrelevantes con atención cruzada. Mejora rendimiento en cero disparo sin ajustar k.
Modelado de Trayectorias Cognitivas: Cuantificando la Co-creación Humano-IA
Aprende sobre CTM: un modelo para cuantificar la co-creación humano-IA a través de trayectorias cognitivas. Ideal para investigadores y desarrolladores.
CIWI-CKT: Fusión de ondas caóticas y transferencia entre ciudades
Descubre CIWI-CKT, un innovador marco que combina teoría del caos e interferencia de ondas para predecir el flujo de tráfico con precisión incluso con pocos
Gradientes Recuperables: Entrenamiento Continuo Sin Desviación de Pesos
ReGrad: gradientes recuperables para post-entrenamiento continuo sin desviación acumulada. Combina RAG y aprendizaje paramétrico reversible. ¡Mejora tu modelo
OmniTraffic: Generación controlable y benchmark para razonamiento de tráfico
OmniTraffic: pipeline y benchmark para razonamiento espacio-temporal. Evalúa 11 MLLMs con 8M VQA, revela brecha humano-modelo. Simulación mejora rendimiento.
DYNA: Redes de Memoria Dinámica para Aumentar LLMs con Grafos Temporales
Descubre DYNA: combina grafos temporales con LLMs para aprendizaje sin olvido. Reduce olvido catastrófico en 7% y mejora orden temporal. ¡Lee más!
Predicción de tráfico entre dominios con redes de tiempo líquido y memoria
MA-GLTC revoluciona la predicción de tráfico entre dominios: usa redes líquidas y memoria para reducir errores hasta un 10% en zonas sin datos.