Arrepentimiento dinámico sin parámetros: costos de movimiento variables
Aprende sobre nuevo algoritmo que logra arrepentimiento dinámico adaptativo sin parámetros para optimización convexa online con costos de movimiento variables.
#aprendizaje en línea
T-POP: Personalización en tiempo real con preferencias en línea
Descubre T-POP, personalización rápida de LLMs sin reentrenamiento usando preferencias en línea y bandidos duelistas.
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.
SEArch: Selección optimista de políticas para búsqueda con radar UAV
SEArch reduce hasta un 30% el regret en búsqueda con radar UAV seleccionando dinámicamente la mejor política entre ruido y deriva.
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.
Aprendizaje en línea flexible de representaciones por similitud
Algoritmo en línea biológicamente plausible para representaciones dispersas e invariantes. Ideal para clustering, teselado y codificación en grandes datos.
Seguridad Permisiva con Inferencia Confiable en Robótica Interactiva
Nuevo método certifica la seguridad de robots autónomos con filtros de creencia menos conservadores, usando predicción conforme para una interacción humano-robot más eficiente y segura.
Lodestar: enrutador de inferencia LLM con aprendizaje en línea
Lodestar optimiza el enrutamiento de inferencia LLM mediante aprendizaje en línea, logrando hasta 4x menor TTFT en clústeres heterogéneos.
Corregir división en árboles en línea con inferencia válida
La inferencia anytime-valid corrige la selección de divisiones en árboles en línea, mejorando precisión en flujos no estacionarios.
Arrepentimiento óptimo dependiente de la brecha para el aprendizaje en línea estocástico privado basado en teoría de decisiones
<meta name=description content=Análisis del arrepentimiento óptimo dependiente de la brecha en aprendizaje en línea privado. Descubre cómo minimizar el arrepentimiento preservando la privacidad del modelo.>
ADWIN: Ventanas Adaptativas para Destilación en Política Consciente del Horizonte
ADWIN: Destilación Adaptativa con Política Consciente del Horizonte. Descubre este método que optimiza modelos de aprendizaje automático adaptando el horizonte temporal para mayor eficiencia y precisión.
Análisis de convergencia débil de algoritmos actor-crítico neuronales en línea
<meta content=Analizamos la convergencia débil de algoritmos actor-crítico neuronales en línea. Estudio riguroso sobre aprendizaje por refuerzo profundo y optimización estocástica.>
Adaptándose activamente sobre la marcha: Metaaprendizaje en línea guiado por relevancia con conceptos latentes para el descubrimiento geoespacial
<meta name=description content=Descubre cómo el metaaprendizaje en línea con relevancia latente optimiza el descubrimiento geoespacial. Técnicas avanzadas para análisis espacial inteligente.>