Cuantificación precisa de incertidumbre en grandes muestras con SG-MCMC
Descubre cómo nuevas aproximaciones discretas a SGLD permiten cuantificar incertidumbre en grandes conjuntos de datos para mejor ajuste y robustez.
#algoritmos
PE-means: Mejora del clustering k-means con privacidad diferencial
Descubre cómo PE-means mejora el clustering k-means con privacidad diferencial, logrando un 20% menos de pérdida. Una solución innovadora y eficiente.
GLENS: Búsqueda global con difusión desde iteraciones del solver
Descubre GLENS, un método que usa modelos de difusión para generar inicializaciones diversas y de alta calidad, acelerando la convergencia en optimización no convexa.
¿Cuánta ortogonalización necesita Muon?
Descubre cuánta ortogonalización necesita el optimizador Muon para entrenar redes neuronales de forma eficiente sin sacrificar precisión.
Muestreo de Thompson sensible a la varianza en bandidos lineales generalizados
Nueva demostración de cotas de arrepentimiento sensibles a la varianza para el muestreo de Thompson en bandidos lineales generalizados. Análisis teórico que supera limitaciones previas.
Optimización offline regularizada con creencia bayesiana híbrida posterior
Nuevo método unifica incertidumbre epistémica y de modelo en RL offline. Optimización regularizada con creencia bayesiana híbrida.
Evaluación de generalización en RL mediante certificados
Descubre cómo los certificados neurales validan la generalización de algoritmos de RL en entornos continuos, correlacionando violaciones con éxito en tareas no vistas.
Algoritmos para plataformas de diseño eficiente en edificios verdes
Plataforma BIM + algoritmos evolutivos: reduce un 29.3% el consumo energético en edificios verdes, con solo 3.7% más de coste. ¡Optimiza tus proyectos!
Exploración eficiente para optimización iterativa de preferencias Nash
La exploración explícita clave para optimizar preferencias Nash en modelos de lenguaje: nuevo algoritmo logra mejor equilibrio y menor arrepentimiento.
Desarrollo algorítmico con LLMs: optimización de contracción tensorial
Descubre cómo los LLMs impulsan el desarrollo algorítmico con un caso práctico de optimización de contracción en redes tensoriales. Resultados y desafíos para científicos.
Diseñando un mundo digital más seguro para niños
Descubre cómo los estándares IEEE y el diseño ético están creando un entorno digital más seguro para los niños. Ingeniería y gobernanza unidos.
Reconocimiento de Lenguajes Libres de Contexto con Transformers
Descubre cómo los transformers con bucles y relleno logran reconocer lenguajes libres de contexto, y por qué los lenguajes no ambiguos son más eficientes.
De pesos a código: extrayendo algoritmos interpretables del Transformer Discreto
Extrae algoritmos interpretables de un Transformer Discreto. Descubre cómo convertir pesos neuronales en código legible para una IA más explicable.
Análisis sintáctico neuro-simbólico: red neuronal con algoritmo CYK
Descubre cómo la inyección del algoritmo CYK en redes neuronales supera a LLMs de 20B en análisis sintáctico. ¡Un salto neuro-simbólico!
Reutilización de habilidades como compresión en RL agentivo
ReuseRL aplica el principio de compresión para que agentes de IA generalicen mejor. Aumenta el éxito en ALFWorld y TextWorld. ¡Descúbrelo!
Rompiendo las burbujas de información con sistemas de recomendación
Descubre cómo HERec, un nuevo marco hiperbólico, rompe las burbujas de información al equilibrar exploración y explotación, mejorando la diversidad en tus recomendaciones.
Difusión No Supervisada para Optimización Combinatoria vía Ajuste Adjunto
Descubre CAM, un método no supervisado de difusión para optimización combinatoria que supera soluciones supervisadas. Resultados competitivos sin datos etiquetados.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo el marco de Lyapunov permite analizar la convergencia en tiempo finito de algoritmos estocásticos como Q-learning y SGD. Ideal para IA y RL.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo las funciones de Lyapunov permiten analizar la convergencia finita de algoritmos estocásticos en aprendizaje automático y refuerzo.
Teoría exacta de algoritmos de error feedback en optimización distribuida
Aprende cómo los algoritmos de error feedback logran convergencia óptima en optimización distribuida con compresión de gradientes. Análisis para EF y EF21.