Reducir correlaciones espurias con de-sesgo guiado por memorización
Reduce correlaciones espurias con un método de dos etapas basado en memorización. Solo 10% de datos, un modelo ERM supera a técnicas de debiasing ¡Descúbrelo!
#variant
TiWeaver: Modelado unificado de dinámicas temporales con parcheo contextual
TiWeaver optimiza el pronóstico multivariante mediante parcheo contextual y manejo de datos irregulares. Logra hasta un 25% más de precisión.
TiWeaver: Modelado unificado de dinámicas temporales mediante parches contextuales
Descubre TiWeaver, un innovador marco de IA que modela dinámicas temporales y dependencias entre canales, superando métodos actuales hasta 25% en pronósticos.
Redes neuronales equivariantes de grupoides y álgebroides de Lie
Explora los fundamentos teóricos de las redes convolucionales equivariantes de Lie. Una nueva perspectiva para modelos invariantes a simetrías.
Equivarianza exacta otorga generalización zero-shot
Descubre cómo la equivarianza exacta entrenada permite generalización zero-shot a través de grupos de simetría, reduciendo errores y mejorando la eficiencia en modelos de IA.
Las redes equivariantes identificables son equivariantes por capas
Descubre cómo redes neuronales equivariantes identificables garantizan equivarianza por capas. Un hallazgo clave para entender simetrías en IA.
Aprendizaje Equivariante con Desenredo para VQA Compositivo
El nuevo marco DEAL mejora la respuesta visual a preguntas compositivas usando desenredo causal y equivarianza. Resultados superiores en CLEVR y GQA.
MINES: Inferencia de invariantes para detección explicable de anomalías
MINES infiere invariantes explicables en APIs web para detectar anomalías con alta precisión y casi cero falsos positivos. Mejora tu seguridad.
Profundidad Polar para Datos Potencialmente de Cola Pesada
Descubre la profundidad polar, una nueva métrica para ordenar extremos en datos de cola pesada y detectar anomalías multivariantes. Aplicaciones en ciberseguridad y análisis de riesgos.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
Simetrías en el aprendizaje PAC-Bayesiano
Descubre cómo las simetrías no compactas mejoran las cotas de generalización en PAC-Bayes. Experimentos validan la teoría.
Invarianzas representacionales inducidas por tareas según objetivo en RL
¿Sabías que DQN y PPO aprenden representaciones invariantes diferentes? Descubre cómo afecta a la transferencia y la neurociencia.
Aprendizaje de representación invariante al comportamiento con Transformers en meta-RL offline
Nuevo framework integra representaciones invariantes y modelos mundiales con Transformers para superar desafíos de generalización en meta-RL offline. Mayor estabilidad y adaptación.
Propagación adaptativa guiada por estructura para PPIS
Conoce el innovador modelo SGAP-PPIS que predice sitios de interacción proteína-proteína usando propagación adaptativa.
El inesperado giro de Ómicron: cómo construir defensas pandémicas ahora es más fácil
¿Y si Ómicron te diera las claves para construir tus propias defensas? Nature revela cómo su fusogenicidad atenuada facilita innovar en salud.
Inferencia determinista con paralelismo tensorial sin desajuste
Descubre cómo los kernels invariantes de árbol garantizan inferencia determinista con resultados bit a bit idénticos, eliminando el desajuste entre entrenamiento e inferencia en LLMs.
Mecanismo de Atención Hamiltoniano para Huellas de RF
El mecanismo de atención Hamiltoniano identifica transmisores RF con 99.12% de precisión y escala a 150 dispositivos, superando a CNN y Transformers.
Calibración sin objetivo ante cambios de distribución con FGR
Descubre cómo FGR mejora la calibración de modelos de IA ante cambios de distribución sin necesidad de datos del destino. Aprende a implementarlo.
Aprendizaje de dinámicas macroscópicas invariantes a permutaciones
Descubre cómo modelar sistemas de partículas sin orden fijo con autoencoders invariantes a permutaciones. Aprende dinámicas macroscópicas para fluidos y polímeros.
Aprendizaje por Refuerzo Distribucional Multivariante mediante Divergencias Cortadas
Descubre SDRL, un nuevo método de aprendizaje por refuerzo distribucional que usa divergencias cortadas para manejar distribuciones multivariantes. Mejora en juegos Atari y entornos complejos.