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.
#transformer
RL basado en resultados guía a transformers a razonar solo con datos adecuados
¿Sabías que los transformers pueden aprender a razonar con solo recompensas finales? Un nuevo estudio revela que los datos simples son la clave.
Pipeline de dos etapas para clasificación detallada de vehículos con Vision Transformers
Nuevo pipeline de dos etapas con Vision Transformers logra 94% de precisión en clasificación de vehículos para seguridad ciclista. Código abierto disponible.
LMM-IR: Marco multimodal consciente de netlist para caída de IR
El framework LMM-IR usa IA multimodal con transformers y nubes de puntos 3D para predecir caída de IR estática en chips. Acelera el diseño al reducir horas de análisis a minutos.
Componentes no suaves optimizan el ajuste fino de Vision Transformer
Descubre cómo los componentes no suaves en Vision Transformer mejoran el ajuste fino. La plasticidad de atención y feedforward supera al smoothness tradicional.
Repulsión en el Espacio Contextual para Diversidad en Transformers de Difusión
Descubre cómo la repulsión en el espacio contextual de transformers de difusión genera una rica diversidad sin sacrificar fidelidad visual.
MeshTok: Tokenización Multiescala Eficiente para PDE Transformers
Descubre cómo MeshTok optimiza la tokenización multiescala para Transformers de PDE, mejorando el equilibrio de eficiencia y precisión en simulaciones.
Repensando incompletitud: divergencia de protocolos y aprendizaje único para IMVC
Descubre CRAFT: un entrenamiento único supera la divergencia de protocolos en IMVC. Elimina reentrenamiento y logra robustez en datos faltantes.
Inferencia Gráfica en Contexto (ICG-I)
ICG-I logra estado del arte en inferencia gráfica: reduce MAE un 50% y resuelve gráficos frustrados donde BP diverge. Conoce el método.
Graph Cascades: reconfiguración mesoscópica para GNNs
Mejora tus GNNs con Graph Cascades: una técnica de reconfiguración mesoscópica basada en difusión por contagio que optimiza la clasificación en grafos homofílicos y heterofílicos.
OpenRFM: Diseccionando el Aprendizaje Relacional en Contexto
OpenRFM mejora un 30% el rendimiento en tareas relacionales. Su arquitectura dual y preentrenamiento inteligente superan a modelos comerciales.
Alineación de Atención Enmascarada para Cuantización Sin Datos en ViTs
Descubre cómo MaskAQ utiliza alineación de atención enmascarada para cuantizar Vision Transformers sin datos reales, mejorando la seguridad y el rendimiento.
Decaimiento de bajo rango para grokking en transformers invariantes a escala
Descubre cómo el decaimiento de bajo rango (LRD) acelera el grokking en transformers invariantes a escala, comprimiendo valores singulares.
RowNet: Transformer de Memoria para Regresión Tabular
RowNet es un transformer de memoria que mejora la valoración inmobiliaria al recuperar propiedades comparables. Descubre su arquitectura.
ChessMimic: Predicción de Movimientos, Tiempo y Resultados en Ajedrez Blitz
ChessMimic predice movimientos, tiempo y resultados en ajedrez blitz, superando a Maia-2 en todos los rangos Elo. ¡Demo online!
Auditoría empírica de codificadores de entrada para transformers de señales multicanal
Comparamos ocho codificadores de entrada para transformers de señales multicanal. Descubre cuál es el más eficiente y por qué la proyección lineal predomina.
Comparativa Transformer vs LSTM en predicción de cuencas no aforadas
Descubre por qué LSTM supera a Transformer en predicción de caudales en cuencas no aforadas. Datos aguas abajo mejoran precisión en un 60%.
SegTune: Control estructurado y detallado para la generación de canciones
Descubre SegTune, un framework para control estructurado y detallado en generación de canciones, mejorando alineación letra-música y consistencia vocal.
Evidencia causal de representaciones de pila en modelos de contadores con transformers
Estudio revela que representaciones de pila en transformers son causalmente necesarias para lenguajes contadores. Evidencia empírica crucial.
PrimeSVT: Poda Automática con Memoria para Transformers de Visión Spiking
Descubre cómo PrimeSVT automatiza la poda de Transformers de Visión Spiking, reduciendo memoria un 26.68% con mínima pérdida de precisión. Optimiza tus modelos.