Mejora de precisión con fidelidad de ruta escalar en potenciales interatómicos
Descubre cómo la fidelidad de ruta escalar reduce errores en potenciales interatómicos en un 22-27% con solo 5% extra de costo.
#var
SILAGE: Optimización no convexa eficiente en memoria y sin gradiente completo
Optimiza modelos sin gradientes completos: conoce SILAGE, el algoritmo que ahorra memoria y acelera el entrenamiento.
Precisión física en potenciales interatómicos equivariantes de corto alcance
Descubre cómo la fidelidad de trayectoria escalar reduce errores en potenciales interatómicos equivariantes, mejorando precisión en fuerzas y energía.
GENIE: optimizador basado en OSGR para generalización de dominio
Descubre GENIE, un optimizador que usa el ratio OSGR para equilibrar actualizaciones de parámetros y mejorar la generalización a dominios no vistos. Supera a
Privacidad en inferencia de LLM mediante transformadores equivariantes ortogonales
Protege tu privacidad en inferencia de LLM con transformadores equivariantes ortogonales. Reduce recuperación de tokens del 35% al 1.3% sin aumentar
Torsión analítica y brecha espectral capturan el rendimiento del Laplaciano persistente
Tres invariantes matemáticos (números de Betti, brecha espectral y torsión analítica) capturan la esencia del Laplaciano persistente para aprendizaje eficiente.
Identificación causal e interpretable de efectos de tratamiento heterogéneos
Descubre cómo NEXIS identifica efectos causales de intervenciones usando imágenes satelitales para optimizar políticas contra la pobreza.
Elipsoides Conformales Filtrados para Series Temporales en Grafos
Mejora la predicción de series temporales en grafos con elipsoides conformales filtrados: cobertura adaptativa sin asumir normalidad, ideal para tráfico y
Inferencia Variacional No Paramétrica Estructurada para Modelado Latente Dependiente
Descubre SN-VI, un nuevo marco de inferencia variacional que modela dependencias latentes sin suposiciones de campo medio. Mejora la precisión en modelos
Plugin DNN variacional sin muestreo para segmentación OOD con incertidumbre
VarDeepPCA es un plugin DNN variacional sin muestreo que restaura segmentaciones médicas OOD, ofreciendo incertidumbre con pequeños conjuntos de datos.
Aprendizaje del funcional generatriz para reducir varianza en QCD
Aprende cómo los flujos normalizadores reducen la varianza en QCD de retículo hasta tres órdenes de magnitud, mejorando estimadores de correlación.
Cerrando la brecha de aproximación en SDEs latentes sin simulación
Descubre cómo Helmholtz-SDE cierra la brecha de aproximación en SDEs latentes sin simulación, logrando inferencia precisa y rápida. Ideal para sistemas
Modelado generativo condicional gráfico para gemelos digitales
Descubre cómo el modelado generativo identifica variables clave en gemelos digitales, reduciendo complejidad y creando sustitutos interpretables para control.
Red neuronal variacional Petrov-Galerkin para problemas perturbados 2D
Descubre cómo el marco VPINN Petrov-Galerkin resuelve con alta precisión problemas bidimensionales singularmente perturbados, capturando capas límite afiladas.
Marco VPINN Petrov-Galerkin para problemas singularmente perturbados 2D
Resuelve problemas singularmente perturbados en 2D con el marco VPINN Petrov-Galerkin. Alta precisión y robustez.
Compresión de CSI con Markov VAE contextual en sistemas inalámbricos
El Markov VAE contextual mejora la compresión de CSI en MIMO masivo con retroalimentación limitada. Resultados muestran mejoras significativas.
El álgebra de las unidades: Del teorema Pi de Buckingham al aprendizaje de variables latentes
Descubre cómo el teorema de Buckingham permite identificar grupos adimensionales automáticamente desde datos, combinando física y machine learning.
El álgebra de las unidades: del teorema Pi al aprendizaje de variables latentes
Descubre cómo el teorema Pi de Buckingham y el aprendizaje automático encuentran grupos adimensionales a partir de datos. Ejemplo con compresor.
Geometría de datos: revisión matemática de espacios de formas
Descubre cómo el análisis de espacios de formas revela patrones ocultos en datos geométricos. Revisión matemática para científicos de datos.
Restricciones en las salidas de redes neuronales ReLU
Descubre cómo las redes neuronales ReLU pueden ser caracterizadas mediante ecuaciones polinómicas y variedades algebraicas, revelando su expresividad y