Modelado Generativo Precondicionado Un Paso para Problemas Inversos Bayesianos
Genera muestras posteriores 64x64 en milisegundos con modelado generativo de un paso para problemas inversos bayesianos en espacios funcionales. Evita MCMC.
#aprendizaje automático
Verosimilitud empírica con IA generativa
Descubre cómo la verosimilitud empírica con IA generativa permite inferencias robustas usando datos sintéticos. Método bayesiano eficiente.
Clustering Conformal Ponderado
Descubre cómo el clustering conformal ponderado ofrece intervalos de confianza válidos para asignaciones de clusters, mejorando la incertidumbre en datos no lineales y de alta dimensión.
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.
Descubrimiento de Componentes Independientes en Datos de Conteo Temporal
Un nuevo modelo generativo identifica componentes independientes en datos de conteo temporal con cambios de régimen. Aplicaciones en microbioma y clima.
La intersección del cifrado y la IA
Bruce Schneier analiza las limitaciones del cifrado ante amenazas modernas y el rol creciente de la IA en ciberseguridad. Descubre cómo afecta a defensores y atacantes.
Random Erasing vs. Model Inversion: ¿defensa real o falsa esperanza?
Descubre cómo Random Erasing puede ser una defensa efectiva contra ataques de Model Inversion, manteniendo la utilidad del modelo.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
LeARN: Aprendizaje y Adaptación para Identificación de Sistemas No Lineales
El marco LeARN aprende funciones base mediante meta-aprendizaje, adaptándose a dinámicas no lineales y superando las limitaciones de SINDy.
Más allá de lo discreto: complejidad muestral del STE en cuantización 1-bit
Primer análisis teórico de complejidad muestral del Straight-Through Estimator para cuantización 1-bit. Descubre por qué el tamaño de muestra es clave para su éxito.
¿Cuántos dominios bastan? La dimensión de fragmentación
Descubre cuántos dominios aleatorios necesitas recolectar para generalizar correctamente. Una nueva métrica, la dimensión de fragmentación, lo explica.
FedCF: Predicción conforme justa en aprendizaje federado
FedCF aplica equidad conforme en aprendizaje federado para garantizar cobertura justa en subgrupos. Aprende cómo auditar tu modelo.
Aprendizaje de dinámicas hamiltonianas a gran escala
Descubre RO-HNN: combina mecánica hamiltoniana y reducción de orden para aprender dinámicas complejas a gran escala con predicciones consistentes.
Secuencias Neuronales de Baja Discrepancia
Descubre cómo NeuroLDS utiliza aprendizaje profundo para generar secuencias de baja discrepancia, superando métodos clásicos en integración numérica y robótica.
Regularización óptima para aprendizaje performativo
Descubre cómo la regularización óptima reduce el riesgo en aprendizaje performativo, beneficiándose incluso en regímenes sobreparametrizados. Clave para IA robusta.
Simetrías en el aprendizaje PAC-Bayesiano
Descubre cómo las simetrías no compactas mejoran las cotas de generalización en PAC-Bayes. Experimentos validan la teoría.
SurrogateSHAP: Atribución de contribuyentes sin reentrenamiento para modelos T2I
Aprende cómo SurrogateSHAP atribuye contribuyentes en modelos T2I sin reentrenamiento, reduciendo costos y mejorando transparencia.
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
Quartet II: Pre-entrenamiento de LLMs en NVFP4
Descubre Quartet II, el método que optimiza el pre-entrenamiento de LLMs en formato NVFP4 en GPUs Blackwell. Mayor precisión y velocidad en tus modelos.