2316 artículos
Este artículo presenta un método que desacopla la cuantificación de incertidumbre de la arquitectura de la red neuronal mediante la incorporación de la distribución de parámetros del modelo como entrada entrenada con MCMC, logrando así emuladores precisos y computacionalmente eficientes para sistemas dinámicos sin necesidad de muestreo exhaustivo.
El artículo presenta ForwardFlow, un enfoque de inferencia estadística basado únicamente en simulaciones que utiliza una red neuronal profunda con estructura ramificada para resolver el problema inverso de estimación de parámetros, demostrando propiedades deseables como exactitud en muestras finitas, robustez ante contaminación de datos y la capacidad de aproximar algoritmos complejos como el EM.
Este artículo presenta un marco unificado de optimización bayesiana mediante procesos gaussianos que acelera la búsqueda de puntos estacionarios en superficies de energía potencial mediante un bucle de seis pasos, extensiones avanzadas de kernels y regularización, y una implementación práctica en Rust que demuestra la viabilidad de este enfoque para sistemas de alta dimensión.
Este trabajo propone un enfoque de aprendizaje automático basado en campos neuronales implícitos factorizados para modelar la evolución temporal de sistemas físicos paramétricos, permitiendo predicciones estables a largo plazo, generalización a parámetros no vistos y análisis espectral sin depender de ecuaciones gobernantes explícitas.
Este estudio valida la reproducibilidad del marco de mapeo de electrofisiología a transcriptómica en interneuronas GABAérgicas, demuestra que los modelos de secuencia basados en atención pueden igualar a los baselines tradicionales y confirma que el aprendizaje por transferencia de datos de ratón a humano mejora la predicción de subclases en el cerebro humano.
Este artículo presenta la Cuantización Vectorial de la Red Leech (LLVQ), un método práctico que aprovecha las propiedades óptimas de empaquetado de la red Leech en 24 dimensiones para lograr una compresión de modelos de lenguaje grande (LLM) con un rendimiento superior al estado del arte, superando a técnicas recientes como Quip#, QTIP y PVQ sin necesidad de costosos mecanismos de búsqueda o almacenamiento de libros de códigos.
El paper presenta V2M-Zero, un enfoque de generación de música a partir de video sin pares de datos que logra una alineación temporal precisa al extraer y transferir estructuras de cambio temporal independientes dentro de cada modalidad mediante curvas de eventos, superando significativamente a los métodos basados en datos pareados.
El artículo presenta NeFTY, un marco de física diferenciable que reconstruye cuantitativamente propiedades materiales en 3D y localiza defectos subsuperficiales mediante la parametrización de un campo de difusividad continuo optimizado con un solver numérico riguroso, superando las limitaciones de las aproximaciones tradicionales y las redes neuronales informadas por física en escenarios de difusión transitoria.
El artículo presenta XConv, un método de sustitución directa para capas convolucionales que reduce significativamente el uso de memoria mediante el almacenamiento de activaciones comprimidas y la estimación estocástica de gradientes, manteniendo al mismo tiempo el rendimiento, la convergencia y la compatibilidad con arquitecturas existentes sin imponer restricciones adicionales.
Esta encuesta revisa sistemáticamente los métodos de aprendizaje federado descentralizado (DFL) desde 2018 hasta principios de 2026, proponiendo una taxonomía unificada basada en desafíos que clasifica las arquitecturas tradicionales y basadas en blockchain, al tiempo que identifica limitaciones en las prácticas de evaluación y define direcciones futuras de investigación.
Este artículo demuestra que las redes neuronales convolucionales sobredimensionadas contienen subredes estructuradas que pueden aproximar redes más pequeñas sin entrenamiento, superando las limitaciones matemáticas previas mediante una generalización del problema de la suma de subconjuntos aleatorios para abordar la poda estructurada.
Este trabajo propone un nuevo método de agrupamiento de grafos con soporte teórico que, mediante la identificación de aristas homofílicas y heterofílicas para construir filtros de paso bajo y alto junto con un bloque de excitación por compresión, supera a los métodos actuales en grafos reales que presentan una mezcla de ambas características estructurales.
Este artículo presenta un marco de aprendizaje profundo que combina el descubrimiento de coordenadas y mapas de flujo para mejorar la eficiencia computacional y la precisión predictiva en la simulación de sistemas multiescala complejos, como los modelos de Fitzhugh-Nagumo y Kuramoto-Sivashinsky.
Este trabajo presenta un enfoque de detección de grupos objetivo multi-grupo consciente de la equidad que mejora la precisión predictiva y reduce los sesgos en la detección de toxicidad en discusiones en línea, abordando el desafío de que un solo mensaje pueda dirigirse a múltiples grupos y que la percepción del daño dependa del contexto.
Este artículo propone y evalúa una solución de aprendizaje por refuerzo multiagente basada en Q-learning para optimizar las actualizaciones de mapas de alta definición en redes vehiculares, logrando reducciones significativas en la latencia en comparación con enfoques de agente único al evitar la carga computacional excesiva de algoritmos más complejos.
El artículo presenta los Procesos de Student-t Variacionales Dispersos (SVTP), un marco novedoso que combina la robustez ante valores atípicos de los procesos Student-t con la escalabilidad de los métodos de puntos inducidos, logrando una convergencia más rápida y menores errores de predicción en comparación con los procesos gaussianos dispersos en conjuntos de datos grandes y con colas pesadas.
El artículo presenta HYGENE, el primer método basado en difusión profunda para la generación de hipergrafos realistas y diversos mediante un enfoque de expansión local progresiva sobre su representación bipartita.
Este artículo presenta un marco unificado que modela la cuantización y la dispersión como ruido aditivo y utiliza una transformada de descuantización por regresión de crestas para establecer un camino de gradiente explícito, permitiendo el entrenamiento robusto y estable de redes neuronales a precisiones arbitrarias y niveles de dispersión, incluidos modelos A1W1 y sub-1-bit.
El artículo presenta ARLBench, un benchmark eficiente y flexible para la optimización de hiperparámetros en aprendizaje por refuerzo que permite comparar diversos métodos de AutoRL utilizando un subconjunto representativo de tareas que reduce drásticamente los recursos computacionales necesarios.
El artículo presenta DRUPI, un método de condensación de datasets que mejora el rendimiento al sintetizar información privilegiada (como etiquetas de características o atención) junto con los datos reducidos, logrando ganancias significativas en diversas tareas de visión por computadora.