análisis numérico
Todas las noticias con este tag · Estados Unidos.
Ver estadísticas de este tema
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 21 nov 2026, 7:00 a. m. | 0 |
| 21 nov 2026, 8:00 a. m. | 0 |
| 21 nov 2026, 9:00 a. m. | 0 |
| 21 nov 2026, 10:00 a. m. | 0 |
| 21 nov 2026, 11:00 a. m. | 0 |
| 21 nov 2026, 12:00 p. m. | 0 |
| 21 nov 2026, 1:00 p. m. | 0 |
| 21 nov 2026, 2:00 p. m. | 0 |
| 21 nov 2026, 3:00 p. m. | 0 |
| 21 nov 2026, 4:00 p. m. | 0 |
| 21 nov 2026, 5:00 p. m. | 0 |
| 21 nov 2026, 6:00 p. m. | 0 |
| 21 nov 2026, 7:00 p. m. | 0 |
| 21 nov 2026, 8:00 p. m. | 0 |
| 21 nov 2026, 9:00 p. m. | 0 |
| 21 nov 2026, 10:00 p. m. | 0 |
| 21 nov 2026, 11:00 p. m. | 0 |
| 22 nov 2026, 12:00 a. m. | 0 |
| 22 nov 2026, 1:00 a. m. | 0 |
| 22 nov 2026, 2:00 a. m. | 0 |
| 22 nov 2026, 3:00 a. m. | 0 |
| 22 nov 2026, 4:00 a. m. | 0 |
| 22 nov 2026, 5:00 a. m. | 0 |
| 22 nov 2026, 6:00 a. m. | 0 |
| 22 nov 2026, 7:00 a. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 1 |
| 2026-11-04 | 1 |
| 2026-11-05 | 0 |
| 2026-11-06 | 0 |
| 2026-11-07 | 0 |
| 2026-11-08 | 0 |
| 2026-11-09 | 0 |
| 2026-11-10 | 2 |
| 2026-11-11 | 0 |
| 2026-11-12 | 0 |
| 2026-11-13 | 0 |
| 2026-11-14 | 0 |
| 2026-11-15 | 0 |
| 2026-11-16 | 0 |
| 2026-11-17 | 1 |
| 2026-11-18 | 0 |
| 2026-11-19 | 0 |
| 2026-11-20 | 0 |
| 2026-11-21 | 0 |
| 2026-11-22 | 0 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de análisis numérico
5 noticias · De más nuevas a más antiguas.
Estimación e predicción en contexto para ODEs paramétricas
Se investiga la estimación de parámetros y la predicción de trayectorias para ecuaciones diferenciales ordinarias (ODEs) paramétricas utilizando Transformers. Se propone un método de máxima verosimilitud de dos etapas para estimar parámetros a partir de observaciones ruidosas y una aproximación neuronal para la predicción. Se demuestra que un único Transformer puede realizar ambas tareas simultáneamente, ofreciendo garantías no asintóticas.
Explorando la especialización y sensibilidad de redes neuronales convolucionales bajo aumentaciones de imagen simultáneas
Se propone un marco para investigar la inferencia interna de redes neuronales convolucionales bajo múltiples alteraciones de entrada simultáneas. El estudio evalúa redes como AlexNet, VGG11 y ResNet18, buscando entender la sensibilidad a estas transformaciones para mejorar sistemas de toma de decisiones autónoma. El marco desarrollado busca transferir sus hallazgos al estudio de redes neuronales biológicas complejas.
Complejidad de punto de equilibrio: Una nueva perspectiva sobre solucionadores de ecuaciones diferenciales parciales neuronales
Se propone un marco de evaluación centrado en la complejidad de punto de equilibrio para solucionadores de ecuaciones diferenciales parciales neuronales. Este marco busca considerar los costos totales, incluyendo la generación de datos y el entrenamiento, para determinar cuándo un solucionador neuronal es más eficiente que uno tradicional. Los resultados sugieren que los solucionadores de PDE neural son más efectivos cuando los problemas son más complejos en términos de costo y dimensión.
Análisis numérico automatizado de estabilidad de operadores de aprendizaje profundo
Se presenta una herramienta de software unificada para la validación numérica estocástica de operadores de aprendizaje profundo. Esta herramienta detecta fuentes de inestabilidad numérica y monitorea la estabilidad durante el entrenamiento e inferencia. El método es crucial para desarrollar kernels de cómputo numéricamente estables en el aprendizaje profundo.
Aprendiendo a evolucionar mediante la coincidencia de velocidades
Se presenta una nueva técnica llamada Velocity Matching (VM) para superar las limitaciones de los objetivos basados en trayectorias en el aprendizaje de sistemas dinámicos no lineales. VM es un objetivo libre de simulación que utiliza interpolación lineal por partes y colocación estocástica para aproximar el riesgo de la población de velocidad. El trabajo demuestra que VM mejora la precisión sobre los métodos basados en trayectorias al evitar el costo de simulación y las inestabilidades de recorridos largos.