Redirigiendo la atención auditiva con instrucciones en modelos de audio
Nueva técnica de steering con instrucciones redirige la atención auditiva en IA. Localiza eventos sonoros sin entrenamiento, superando métodos tradicionales. Descubre cómo.
#temporal
Redirección de atención mediante instrucciones en modelos de audio-lenguaje
Descubre cómo redirigir la atención en modelos de audio-lenguaje para localizar eventos sonoros sin entrenamiento, con hasta 68% de precisión.
Deep learning como sustituto escalable de modelos físicos en electrocardiología
Descubre cómo un modelo de deep learning predice ECG con alta precisión, superando simulaciones físicas en velocidad y escalabilidad para aplicaciones clínicas.
Redes de Campos Mecánicos: Dinámica Neuronal para Sistemas Multivariantes
Descubre MF-Net: aprende relaciones causales en sistemas multivariantes para pronósticos precisos y lectura estructural.
TimeRouter: Enrutamiento eficiente y adaptativo de modelos de series temporales
TimeRouter enruta eficientemente modelos fundacionales de series temporales sin necesidad de LLM, logrando un MASE de 0.6765 en GIFT-EVAL.
TimeRouter: Enrutamiento eficiente de modelos fundacionales de series temporales
TimeRouter enruta modelos fundacionales de series temporales sin LLM, alcanzando MASE 0.6765 en GIFT-EVAL. Mejora el rendimiento con routing ligero.
PAWS: Aprendizaje de Preferencias con Segmentos Ponderados por Ventaja
PAWS alinea entrenamiento e inferencia en aprendizaje por preferencias usando segmentos ponderados por ventaja. Mejora políticas.
Clustering eficiente de series temporales multiescala con granular-ball
Aprende cómo MSRGC-Net logra clustering de series temporales eficiente y preciso usando reservorio multiescala y optimización granular-ball.
Reutilización de capas por multiplexión temporal en redes neuronales físicas
Descubre cómo TIDAL-Net reutiliza capas por multiplexión temporal para aumentar profundidad en redes físicas sin costos extra. Mejora en clasificación y NLP.
CaReTS: Marco unificado de clasificación y regresión para series temporales
CaReTS: marco multi-tarea que unifica clasificación y regresión para predicciones temporales más precisas e interpretables.
SpaTeoGL: Grafos espacio-temporales interpretables para zona de inicio de crisis
SpaTeoGL usa grafos espacio-temporales para localizar con precisión la zona de inicio de crisis en EEG intracraneal, mejorando la cirugía de epilepsia.
Modelado espaciotemporal con física para detectar videos generados por IA
Descubre cómo el método NSG-VD usa principios físicos para detectar videos generados por IA con un 16% más de Recall que los métodos actuales.
NetBurst: Predicción de series temporales intermitentes y ráfagas
NetBurst reduce hasta 116 veces el error de pronóstico en series temporales de telemetría de red. Descubre cómo este enfoque centrado en eventos mejora la detección de anomalías y la búsqueda.
Series temporales intermitentes: modelos locales vs globales
Descubre por qué el modelo TiDE supera a los modelos locales en pronóstico de series intermitentes, con menor costo y mejores cuantiles.
Análisis de series temporales en machine learning
Descubre cómo aplicar técnicas de machine learning a series temporales: desde modelos clásicos ARIMA hasta deep learning con transformers. Ejemplos en astronomía, finanzas y más.
PAWS: Aprendizaje por preferencias con ventajas ponderadas por segmentos
Descubre PAWS, un innovador método de aprendizaje por refuerzo basado en preferencias que mejora la asignación temporal de crédito usando ventajas por segmentos
MSRGC-Net: Clustering eficiente de series temporales multiescala
Aprende cómo MSRGC-Net realiza clustering de series temporales con alta eficiencia usando reservorio multiescala y gráficos de anclaje.
Marco NVAR Adaptativo Mejorado con PCA para Pronóstico de Alta Resolución de SST
Marco NVAR Adaptativo con PCA para pronóstico de alta resolución de SST en el Mar del Este. Reduce errores y es rápido para tiempo real.
Arquitecturas subcuadráticas: de las aplicaciones a los principios
¿Cuál es la mejor arquitectura subcuadrática? Analizamos xLSTM, Mamba-2 y Gated DeltaNet. xLSTM gana con su mecanismo de memoria flexible. Ideal para desarrolladores.
Formulación integral de QENDy para identificación robusta de sistemas no lineales
Descubre la formulación integral de QENDy que elimina las derivadas temporales, logrando identificación robusta de sistemas no lineales frente al ruido.