Detección en Línea de Anomalías con Mezclador Causal de Clústeres
Nuevo modelo de IA detecta anomalías en tiempo real en series temporales multivariadas usando clústeres y causalidad, superando a métodos tradicionales.
#aprendizaje automático
GenFT: Ajuste eficiente generativo para modelos preentrenados
GenFT: método de ajuste fino que genera actualizaciones de pesos condicionadas a pesos originales. Mejora NLP y visión con pocos parámetros.
GenFT: Ajuste fino generativo y eficiente en parámetros
Descubre GenFT, un método generativo de ajuste fino que extrae patrones de pesos preentrenados para mejorar modelos en NLP y visión. ¡Optimiza tu modelo!
Aprendizaje resistente a ruido de etiquetas con OBD
Descubre cómo el enmascaramiento OBD intercepta gradientes ruidosos y mejora la robustez ante etiquetas erróneas. Resultados superiores en benchmarks.
Convergencia del Gradient Boosting Multicalibrado
Análisis de la convergencia del gradient boosting multicalibrado: garantías computacionales y experimentos en datos reales. Léelo ahora.
Destilación simbólica para métricas de Calabi-Yau
La destilación simbólica logra expresiones compactas para métricas de Calabi-Yau en la quíntica de Dwork con R²=0.9994. Geometría y machine learning unidos.
Estabilidad de los Algoritmos Online en la Predicción Performática
Los algoritmos online pueden estabilizarse en entornos de predicción performativa sin restricciones. Conoce la demostración que evita bucles de retroalimentación con aleatorización.
Síntesis de Cópula Gaussiana Binaria: aumento de datos con LLM para diálisis
Mejora la predicción de diálisis temprana con BGCS: uso de cópula gaussiana y GPT-2 para generar datos sintéticos realistas. Supera a SMOTE y CTGAN.
Compresión eficiente de datasets: unificando poda y destilación
Descubre cómo PCA unifica poda y destilación de datasets para compresión eficiente sin etiquetas suaves. Mejora almacenamiento y entrenamiento.
Escape eficiente de puntos de silla bajo suavidad generalizada
Descubre cómo escapar eficientemente de puntos de silla en funciones no convexas con suavidad generalizada. Nuevos resultados de convergencia para métodos de primer orden.
Aprendizaje para optimizar con garantías: algoritmos lineales convergentes
Descubre cómo mejorar el rendimiento promedio de algoritmos de optimización manteniendo garantías de convergencia lineal. Aplicaciones en IA y control predictivo.
La inestabilidad relativa de la comparación de modelos con validación cruzada
La validación cruzada puede fallar al comparar modelos incluso estables como Lasso. Aprende por qué esta inestabilidad relativa invalida las inferencias.
Atención global y dispersa en RNN para valoración de activos financieros
Modelos de atención global y dispersa en RNN logran Sortino ratio de 2.0 en valoración de activos durante COVID-19. Resultados con 420 acciones de EE.UU.
Inferencia potenciada por datos sintéticos
Descubre cómo el framework GESPI combina datos sintéticos y reales para mejorar la inferencia estadística sin sacrificar precisión.
Minimax óptimo en datos sintéticos con privacidad diferencial
Descubre cómo un nuevo algoritmo logra un error minimax óptimo en datos sintéticos con privacidad diferencial para consultas suaves, mejorando la utilidad en análisis de datos sensibles.
BG-MCTS: Búsqueda en árbol con presupuesto fijo de tokens
Descubre cómo BG-MCTS optimiza búsqueda en árbol con presupuesto fijo de tokens para razonamiento superior.
Predicción eficiente de inundaciones con núcleos y modelos tabulares
Descubre cómo selección de núcleos y modelos tabulares predicen profundidad de inundaciones con solo 0.7% de datos y R²=0.663, transferible entre cuencas.
Detección de anomalías en actuadores EHA con autoencoder LSTM
El LSTM autoencoder logra un 99% de precisión en detección de anomalías en actuadores EHA, reduciendo falsas alarmas. Descubre cómo.
Suavizado Exponencial de Wasserstein
El Suavizado Exponencial de Wasserstein extiende el clásico ES a series de distribuciones. Descubre cómo estimar el parámetro de suavizado y sus aplicaciones en finanzas y energía.
Estimación semiparamétrica eficiente con modelos de caja negra
Descubre cómo eliminar sesgos en modelos de caja negra para una estimación semiparamétrica más precisa. Nuevo método que supera al Double Machine Learning clásico.