Optimización estocástica riemanniana para reducción suficiente de dimensión
Aprende cómo SMAVE optimiza la reducción de dimensionalidad con gradiente riemanniano estocástico, superando a RMAVE en velocidad y precisión.
#algoritmo
Mensajería aproximada robusta y sencilla para modelos de pico plantado
Algoritmo sencillo y robusto de mensajería aproximada para modelos de pico frente a corrupción adversarial en PCA disperso, no negativo y sincronización Z2.
Meta-Optimización con Ensambles Adaptativos para Equilibrio Robustez-Precisión
AdaE-SAEA: algoritmo evolutivo con ensambles adaptativos y RL para equilibrar robustez y precisión. Mejora rendimiento en problemas reales.
Algoritmo óptimo para bandits contextuales lineales con actualizaciones escasas
Descubre un algoritmo práctico y óptimo para bandits contextuales lineales con O(log log T) actualizaciones. Máximo rendimiento con mínima complejidad.
Hacia la robustez óptima en paginación asistida por aprendizaje
Nuevo marco logra robustez óptima en paginación asistida por aprendizaje, cerrando brecha al ratio H_k. Resultados experimentales demuestran su eficacia.
Supervisión de UAV de ala fija con Q-learning residual y filtro HJB
Nuevo método de aprendizaje por refuerzo reduce error de trayectoria en UAV de ala fija en un 86.77% respecto al autopiloto clásico. Descubre cómo el filtro HJB mejora la supervisión.
Acelerando la optimización min-max con pasos de ley de potencia
Descubre cómo los pasos dinámicos de ley de potencia aceleran la convergencia en optimización min-max, alcanzando tasas casi óptimas. Un avance clave para EG y OG.
Minimización adaptativa de nitidez con paso Polyak: planificador teórico
Descubre cómo el algoritmo SAM con paso Polyak mejora la generalización y reduce el ajuste de hiperparámetros, con garantías de convergencia teórica.
Recuperación exacta de comunidades en SBM con consultas limitadas
Descubre cómo las consultas adaptativas superan el límite de consultas uniformes para recuperar comunidades exactamente.
Hace lo que promete: datos sintéticos seguros con márgenes agrupados
Descubre cómo generar datos sintéticos seguros y transparentes con el método de márgenes agrupados, garantizando privacidad sin perder relaciones entre variables.
Colaboración incentivada en aprendizaje activo
Descubre cómo los protocolos de colaboración incentivada reducen la complejidad de etiquetado en aprendizaje activo, garantizando racionalidad individual.
Aprendizaje off-policy: optimización > estimación en grandes acciones
Descubre por qué la optimización es clave en el aprendizaje off-policy con grandes espacios de acción, y cómo los pesos de verosimilitud simplifican el proceso.
Selección de Algoritmo Basada en Embeddings Moleculares para Docking
Aprende cómo MolAS selecciona el mejor algoritmo de docking basado en embeddings moleculares, logrando mejoras de hasta 15% en precisión.
Paso Polyak estocástico protegido para optimización no suave
Nuevo método SPS protegido para optimización no suave en redes neuronales. Convergencia robusta sin gradientes pequeños. ¡Mejora tu entrenamiento!
KromHC: Conexiones Hiper con Matrices Residuales de Producto Kronecker
KromHC mejora conexiones hiper en redes neuronales usando matrices residuales con doble estocasticidad exacta. Reduce parámetros y mejora rendimiento.
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
Inferencia Estadística sobre Flujos de Gradiente
Aprende sobre inferencia estadística uniforme en flujos de gradiente. Teoría de límite central y estimador de covarianza sin inversión de matrices.
Selección Adaptativa de Ventanas para la Predicción de Riesgos Financieros
Aprende sobre BAWS: un algoritmo adaptativo que elige la ventana de datos ideal para pronosticar riesgos financieros como VaR y ES, superando métodos tradicionales.
Equilibrios no lineales en modelos de juego potencial para aprendizaje federado
Descubre cómo los modelos de juego potencial revelan transiciones críticas en el aprendizaje federado, optimizando el equilibrio entre esfuerzo y recompensa.
Avances en agrupamiento local en grafos mediante detección compresiva
Descubre cómo los nuevos métodos de agrupamiento local en grafos mediante detección compresiva logran resultados de vanguardia con pocos datos etiquetados.