Identificabilidad sin Gaussianidad: Modelos Simbólicos y Consistencia Casi Infinita
Nueva Arquitectura Simbólica PGSA logra consistencia temporal casi infinita, superando la barrera gaussiana en modelos de mundo. ¡Descúbrelo!
#aprendiz
Incertidumbre epistémica no es reducible
¿Crees que más datos eliminan la incertidumbre epistémica? Un nuevo estudio demuestra que no. Conoce la paradoja y la nueva clasificación.
Inferencia causal potenciada por predicción: DML y Riesz semi-supervisada
La inferencia causal potenciada por predicción (PPCI) con DML y regresión Riesz semi-supervisada logra estimaciones más eficientes que los métodos clásicos.
Agrupamiento temporal robusto con modelos de salto ponderados
Descubre un modelo robusto de agrupamiento temporal que pondera características según el estado y maneja outliers con Tukey. Ideal para análisis de conflictos y economía.
ProtoX-AD: Detección autoexplicable de anomalías temporales
ProtoX-AD ofrece detección de anomalías en series temporales con explicaciones basadas en prototipos. Descubre cómo mejora la interpretabilidad sin perder rendimiento.
Mayoría de tres: el aprendizaje PAC óptimo
Descubre la votación mayoritaria de tres clasificadores como método óptimo en aprendizaje PAC. Artículo simplifica la teoría y demuestra optimalidad.
¿Es útil la invarianza causal para adaptación de dominio con muestras finitas?
Descubre cómo la invarianza causal mejora la adaptación de dominio con pocos datos. Un estudio sobre regresión lineal y márgenes de riesgo.
Desigualdad de McDiarmid: tensorización aproximada de entropía bajo dependencia
Aprende cómo la tensorización de entropía extiende la desigualdad de McDiarmid a datos dependientes. Aplicaciones en ML, grafos aleatorios y más.
Alineación de redes por difusión: algoritmo y cotas de probabilidad
Nuevo algoritmo de alineación por difusión empareja árboles con redes sociales, ofreciendo cotas de probabilidad explícitas y alta precisión.
Reducción de orden cuadrático con procesos gaussianos para sistemas dinámicos
Nuevo marco GP-ODE con reducción de orden cuadrático para pronosticar sistemas dinámicos con incertidumbre cuantificada. Supera a métodos ROM tradicionales.
Calibración de cópulas vine simplificadas con estimación por contraste de ruido
Calibra cópulas vine simplificadas con estimación por contraste de ruido (NCE) para ajustar dependencias multivariantes. Mejora precisión sin perder eficiencia.
REMAL: Aprendizaje Activo de Manifold Residual en Diseño Multidisciplinario
REMAL: aprendizaje activo para modelar superficies residuales en sistemas de ingeniería acoplados. Reduce costos en diseño multidisciplinario y optimización.
Aprendiendo con simuladores: sin arrepentimiento en mundo computacional acotado
¿Y si los simuladores permitieran aprender con datos dependientes? Este estudio muestra cómo recuperar los límites de VC y más. Entra y descúbrelo.
Teorema del límite central para estimadores de cuantiles SGD
Nuevo teorema de límite central valida la estimación de cuantiles con SGD. Método recursivo para intervalos de confianza robustos.
AGMMN: Redes adaptativas que mejoran el aprendizaje de dependencias
Descubre cómo AGMMN mejora el aprendizaje de dependencias en modelos de cópula, superando a GMMN y modelos paramétricos. Aplicación en S&P 500 y FTSE 100.
Optimización Estocástica Eficiente mediante Monte Carlo Secuencial
Descubre cómo el Monte Carlo Secuencial optimiza funciones con gradientes intratables, reduciendo costos computacionales y mejorando la eficiencia en machine learning y estadística.
Descenso del Espejo en Variedades Riemannianas
Descubre el Descenso del Espejo en variedades Riemannianas, con garantías de convergencia. Aplicaciones en IA, redes neuronales y optimización a gran escala.
Fusión de datos para estimaciones de alta resolución
Descubre cómo la fusión de datos reduce sesgos en estimaciones de alta resolución combinando fuentes administrativas y encuestas online para salud pública.
Asignación de supervisión humana en análisis con IA
Optimiza la asignación de supervisión humana en análisis con IA. Descubre un método que reduce costos y mejora la precisión, superando asignaciones uniformes.
Modelado de conceptos enmascarados entre modalidades: MACCO
Descubre MACCO, un innovador marco que mejora la comprensión composicional en modelos visión-lenguaje como CLIP, superando el comportamiento de 'bolsa de palabras'.