Separando señal y artefactos en datos multisensor para astrofísica
Descubre cómo un nuevo framework de deep learning separa la señal real de artefactos instrumentales en datos multisensor, mejorando inferencia en astrofísica.
#variant
Detección de suplantación invariante al hablante con inversión de gradiente
Descubre cómo nuestro modelo de detección de suplantación reduce un 25.7% el error al eliminar el sesgo del hablante, sin usar etiquetas de identidad.
Dual topológico en AlphaGeometry: lógica a topología
Descubre cómo el dual topológico de un dataset transforma la interpretabilidad de modelos neuro-simbólicos, revelando invariantes estructurales en el razonamiento de AlphaGeometry.
E2Former-V2: Atención Equivariante en Tiempo Real con Memoria Lineal
Descubre cómo E2Former-V2 acelera 20x la atención equivariante en redes neuronales de grafos usando un kernel Triton optimizado para GPUs.
Detección de cambios en sistemas dinámicos ruidosos con operadores empíricos
Descubre cómo detectar cambios en sistemas dinámicos ruidosos usando operadores de transferencia empíricos. Aprende el método con garantías de falsa alarma y aplicaciones en series temporales.
Etiquetas duras de objetivos dispersos engañan algoritmos invariantes a rotación
Las etiquetas duras de objetivos dispersos hacen fallar a algoritmos invariantes a rotación. Conoce cómo evitarlo en regresión logística.
Análisis de Componentes Principales para Extremos Multivariantes
Descubre cómo el PCA reduce la dimensionalidad de datos extremos sin perder información clave para tu análisis multivariante.
Detección de cambios en mapas ruidosos con operadores empíricos
Descubre un método para detectar cambios en la densidad invariante de mapas de intervalo ruidosos usando operadores de transferencia empíricos y regularización. Con garantías de falsa alarma.
Terastal: Programación por variantes de capas para cargas multi-DNN en aceleradores heterogéneos
Descubre cómo Terastal reduce hasta un 40% los fallos de plazo en cargas multi-DNN usando variantes de capa para optimizar latencia y precisión en aceleradores heterogéneos.
REGEN: Generación Sintética de Series Temporales Multivariantes Guiada por Referencias
Descubre ReGeN, un generador que crea series temporales sintéticas de alta calidad usando referencias como andamios estructurales. Ideal para datos escasos.
Dimensionalidad efectiva: invariante de operador en adaptación de restricciones en PINNs
Descubre la dimensionalidad efectiva actúa como invariante de operador en PINNs para adaptar condiciones de frontera sin retrain. Adaptación rápida y precisa.
Destilación simbólica para métricas de Calabi-Yau
La destilación simbólica logra expresiones compactas para métricas de Calabi-Yau en la quíntica de Dwork con R²=0.9994. Geometría y machine learning unidos.
Marco Sliced-Wasserstein en matrices de correlación para decodificación EEG
Nuevo marco CorSW mejora la decodificación EEG con Wasserstein recortado en matrices de correlación, logrando generalización robusta a bajo costo.
ENBP: Propagación de Creencias Neural Equivariante
ENBP aplica simetría SE(3) a la inferencia probabilística, logrando precisión submilimétrica en moléculas y robótica, 100x más rápido que difusión.
El poder expresivo de las redes equivariantes en el espacio de pesos
Descubre cómo las redes equivariantes a permutaciones pueden mejorar hasta un 34% el rendimiento en tareas de aprendizaje de pesos. Un análisis teórico completo
SpliceBind: Predicción de farmacabilidad de bolsillos según isoformas
Descubre SpliceBind, el modelo de IA que predice la farmacabilidad de bolsillos de unión según isoformas, mejorando la predicción de resistencia a fármacos diana en cáncer.
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.
Alineación de Gradientes Invariante para Destilación Robusta de Razonamiento
IGA alinea gradientes en ejemplos lógicamente isomorfos para destilar razonamiento robusto en LLMs, con hasta 14.3% más precisión y 4x consistencia lógica.
TadA-Bench: un millón de variantes para ingeniería de proteínas con agentes
TadA-Bench ofrece un millón de variantes de proteínas para que la IA descubra rondas futuras en evolución dirigida. Acelera la ingeniería de proteínas con agentes.
Un marco Cartesiano-3j para potenciales interatómicos de aprendizaje automático
Nuevo marco Cartesiano-3j logra precisión comparable a modelos esféricos en potenciales interatómicos. Descubre cómo.