Modelado de efectos de audio variables en el tiempo con GAN
Marco GAN modela efectos de audio modulados sin señales de control. Entrenamiento adversarial y ajuste fino para sincronización. Ideal para desarrolladores.
#var
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.
CNNs 3D Orientables Bayesianas: Equivarianza e Incertidumbre
Descubre cómo las CNNs 3D Orientables Bayesianas logran equivarianza exacta y cuantificación de incertidumbre, mejorando precisión hasta un 6.17% bajo ruido.
Desbloqueando dimensiones latentes en rayos X con autoencoders variacionales
Descubre cómo los autoencoders variacionales desbloquean dimensiones latentes en datos de rayos X. Acelera el análisis científico.
SACE: borrado de conceptos en la singularidad semántica de modelos VAR
Descubre SACE, el primer marco para eliminar conceptos no deseados en modelos autoregresivos visuales sin colapsar el modelo. Aprendizaje eficiente y seguro.
Phys-JEPA: Modelos latentes informados por física para pronóstico multivariado
Phys-JEPA: modelo latente informado por física mejora pronóstico multivariado. Reduce errores en clima, tráfico y electricidad. Descubre cómo.
Estimación de incertidumbre calibrada sin muestreo en deep learning bayesiano
CVP ofrece estimación de incertidumbre calibrada sin muestreo para deep learning bayesiano, logrando precisión de Monte Carlo en una sola pasada. Mejora
Reducción de varianza para muestreo no-log-cóncavo en problemas inversos
Descubre cómo las técnicas de reducción de varianza mejoran el muestreo de distribuciones no-log-cóncavas en problemas inversos, con aplicaciones en imágenes.
P3B3: Benchmark para medir sesgo de variedad en portugués
Benchmark P3B3 mide el sesgo entre portugués europeo y brasileño en LLMs. Descubre cómo los modelos favorecen una variedad y la necesidad de equilibrio.
Flujo ponderado por decisión para optimización estocástica contextual
Nuevo método de flujo ponderado por decisión para optimización estocástica contextual que reduce el arrepentimiento en aplicaciones financieras y de tráfico.
Desmitificando la Varianza en el Descubrimiento de Circuitos de LLMs
Descubre por qué los circuitos de LLMs varían y cómo el nuevo método CEAP reduce la varianza de remuestreo. Análisis de fidelidad y control de modelos.
Variables Canónicas en el Espacio Métrico de Wasserstein
Descubre cómo las variables canónicas en el espacio métrico de Wasserstein mejoran la clasificación de distribuciones mediante la maximización de la razón de
Flujo Eficiente con Variables Latentes
Descubre Latent-CFM, un modelo que usa variables latentes para un flujo eficiente en generación de imágenes. Mayor calidad, menos entrenamiento y recursos.
Detección casi en tiempo real de incendios por conflicto en Sudán
Descubre cómo un modelo VAE ligero detecta incendios por conflicto en Sudán en menos de 30 horas con alta precisión.
SLUM-i: Aprendizaje semisupervisado para mapeo de asentamientos informales
SLUM-i: aprendizaje semisupervisado para mapeo de asentamientos informales con mejora en calidad de datos. Logra +5.9 pp mIoU.
Rel-Zero: La invarianza de pares de parches protege imágenes de la edición IA
Rel-Zero protege tus imágenes de la edición con IA sin modificarlas, usando la invarianza de relaciones entre parches. Autenticidad robusta.
Arquitecturas Neuronales Separables como Modelos Físicos del Mundo
Arquitecturas Neuronales Separables: modelos físicos que resuelven PDEs en milisegundos, acelerando 150,000x simulaciones. Ideal para inversión en tiempo real.
¿Quién merece la seguridad? Control predictivo cuántico con atribución
Descubre cómo el Control Predictivo Cuántico con Atribución de Seguridad mide quién garantiza la seguridad: ¿la política o el filtro?
PTL-Diffusion: Difusión consciente de variedades con leyes terminales periódicas
PTL-Diffusion mejora generación en variedades con leyes periódicas. Descubre cómo reduce errores de covarianza y distancia en benchmarks.