RBF-KAN y RBF-SKAN Jerárquicos para Aproximación y Campos Aleatorios
Arquitecturas jerárquicas RBF-KAN y RBF-SKAN para aproximación multidimensional y aprendizaje de campos aleatorios. Reduce la maldición de la dimensionalidad.
#aprendizaje automático
Burlar al camaleón: desacoplamiento contrafáctico para cambios en streaming
Descubre cómo el método LPCD burla a los atacantes 'camaleón' que cambian tácticas en streaming, usando desacoplamiento contrafáctico para evaluar riesgos.
BYORn: Genera tus propias respuestas para defender modelos de visión-lenguaje
Descubre BYORn, método que protege modelos visión-lenguaje durante fine-tuning contra ataques backdoor, mejorando robustez.
De no convexo a fuertemente convexo: FTPL adaptativo para optimización online
Descubre cómo FTPL se adapta a la curvatura en optimización online, logrando desde O(√T) hasta O(log T) de regret sin conocer la curvatura por adelantado.
Redes neuronales: aprendizaje demostrable de representaciones espectrales de grupos
Descubre cómo las redes neuronales aprenden representaciones espectrales de grupos, convergencia demostrable a irreducibles y compresión de bajo rango.
TiWeaver: Modelado unificado de dinámicas temporales con parcheo contextual
TiWeaver optimiza el pronóstico multivariante mediante parcheo contextual y manejo de datos irregulares. Logra hasta un 25% más de precisión.
HARVE: Edición Robusta del Vector de Cabeza de Recompensa
Descubre HARVE, método sin entrenamiento que edita el vector de cabeza de recompensa para proteger modelos de lenguaje del hackeo, manteniendo su rendimiento.
Aprendizaje de Estructura Causal Temporal con Optimización Diferenciable
Descubre un método de optimización diferenciable que aprende estructuras causales en series temporales de forma rápida y precisa, superando a 12 algoritmos.
Aprendizaje de Estructuras Causales Temporales vía Optimización Diferenciable
Nuevo método de optimización diferenciable descubre causas en series temporales, eliminando restricciones acíclicas.
Modelo base de grafos con análisis espectral y propagación guiada por prototipos
Descubre cómo SPG combina filtros Chebyshev y prototipos para generalizar entre grafos de distintos dominios. Mejora la transferencia de conocimiento en IA.
Adaptando reglas de puntuación estrictamente adecuadas para inferencia causal
Personaliza reglas de puntuación para inferencia causal. Nuestra pérdida a medida reduce sesgo y varianza en estimación del ATE.
APIC: Calibración Amortiguada Informada por Física con Procesos Neuronales
APIC permite calibración rápida de modelos físicos con procesos neuronales. Cuantifica incertidumbre y mejora la precisión a partir de datos escasos.
Reglas de puntuación a medida para inferencia causal
Reduce sesgo y varianza en inferencia causal con reglas de puntuación personalizadas para el ATE. Aplicable a redes neuronales y gradient boosting.
Impacto de granularidad temporal en inferencia sociodemográfica de perfiles de carga
Descubre cómo la granularidad temporal afecta la inferencia sociodemográfica y el equilibrio privacidad-utilidad en medidores inteligentes. Estudio con 1589 hogares.
APIC: Calibración amortizada basada en física con procesos neuronales
Descubre APIC: calibración amortizada con procesos neuronales para modelos físicos. Reduce errores y cuantifica incertidumbre con datos escasos.
Reparación de Grafos Gaussiana con Topología para GNNs Robusta
Mejora la robustez de tus GNNs con TAGR: un método ligero de reparación de grafos que combina kernel Gaussiano y corrección topológica. ¡Optimiza tus modelos!
Desmitificando el paralelismo de pipelines: teoría para PipeDream
Descubre cómo PipeDream logra convergencia en entrenamiento distribuido con un nuevo análisis teórico no convexo. Comparativa con LocalSGD.
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio
Entrenamiento de red predictiva en ImageNet con propagación de equilibrio logra 13.23% error top-5, igualando casi la retropropagación.
Speedrun de preentrenamiento de modelos tabulares
Descubre cómo el speedrun de nanoTabPFN logró un speedup de 81x en preentrenamiento de modelos tabulares. Participa y contribuye al benchmark abierto en GitHub.
Condensación de grafos textuales: selección de texto y coincidencia de atributos
Descubre TAGSAM, el método que condensa grafos con texto al 1% sin perder precisión y con un 4.9% más de exactitud. Optimiza tus modelos de IA.