Generación Abierta de Materiales con Aprendizaje por Refuerzo en Inferencia
Descubre cómo OMatG-IRL aplica aprendizaje por refuerzo en inferencia para generar materiales cristalinos estables, mejorando eficiencia y diversidad.
#aprendizaje
AI4SLT: Formalización de Teoría de Aprendizaje Estadístico en Lean 4
Primera formalización integral de teoría de aprendizaje estadístico en Lean 4 usando procesos empíricos. Colaboración humano-IA para demostraciones verificadas de concentración gaussiana y regresión.
Métodos de Tensores: Enfoque Interpretable para Diseño de Materiales
Descubre cómo los métodos de tensores ofrecen predicciones interpretables y precisas para el diseño de materiales, superando a modelos ML tradicionales en muestreos no uniformes.
SpaTeoGL: Grafos espacio-temporales interpretables para zona de inicio de crisis
SpaTeoGL usa grafos espacio-temporales para localizar con precisión la zona de inicio de crisis en EEG intracraneal, mejorando la cirugía de epilepsia.
Momentum LMS: estabilidad, seguimiento y arrepentimiento en streaming
Conoce cómo el algoritmo MLMS garantiza estabilidad y bajo arrepentimiento en datos no estacionarios, perfecto para streaming.
Garantías de cobertura con pseudo-calibración en predicción conforme
Descubre cómo la pseudo-calibración mantiene la cobertura de la predicción conforme incluso ante cambios de distribución. Teoría y algoritmo práctico.
Por qué importa la profundidad en modelos secuenciales: álgebra de Lie
Descubre cómo la profundidad en modelos secuenciales afecta su expresividad. Un enfoque algebraico de Lie revela que el error decrece exponencialmente. Lee más.
Identificación puntual de predictor robusto bajo cambio latente
El framework PQAL identifica un predictor robusto bajo cambio latente con proxies imperfectas. ¡Descubre cómo optimiza la adaptación de dominio!
Descubrimiento e inferencia no lineal en epidemiología con RuleSHAP
Descubre cómo RuleSHAP combina regresión bayesiana y valores Shapley para detectar efectos no lineales en datos epidemiológicos con incertidumbre cuantificada.
WRDPG: Grafos Ponderados con Producto Punto Aleatorio
Descubre el modelo WRDPG para grafos ponderados, una extensión no paramétrica que captura distribuciones de pesos heterogéneas. Aprende sus aplicaciones en análisis de redes.
PCS-UQ: Cuantificación de incertidumbre con el marco PCS
El marco PCS-UQ cuantifica incertidumbre en ML con predicción-check y calibración multiplicativa. Supera a métodos conformales en cobertura de subgrupos y reduce conjuntos de predicción un 20%.
Recuperación demostrable de características e interacciones locales importantes
Nuevo método recupera características e interacciones locales importantes en Random Forest con garantías teóricas. Ideal para medicina personalizada.
SEDULity: Marco de prueba de aprendizaje para blockchains seguras y distribuidas
SEDULity: un marco de prueba de aprendizaje que hace más seguras, descentralizadas y eficientes las blockchains, usando trabajo util.
Descomposición ortonormal en árbol del símplex de Aitchison
Descubre PolyILR, descomposición ortonormal en árbol del símplex de Aitchison. Coordenadas interpretables para microbioma y genómica.
IAPO: Optimización con atribución de entrada para agentes multimodales
Aumenta un 3% la precisión en VQA con IAPO, algoritmo RL que alinea la atribución de entrada en agentes multimodales pequeños. ¡Descubre cómo!
Marco centrado en datos para detectar y corregir etiquetas corruptas
Descubre cómo el marco Relabeler detecta y corrige etiquetas corruptas en datasets, mejorando la precisión de modelos de machine learning hasta en un 58%.
RLCSD: Aprendizaje por Refuerzo con Autodestilación Contrastiva en Política
RLCSD mejora el razonamiento en modelos de IA al corregir la deriva de estilo inducida por privilegios. Descubre cómo supera a GRPO en tareas lógicas y matemáticas.
Optimización convexa online con feedback retrasado y capacidad limitada
Descubre cómo manejar el feedback retrasado en optimización convexa online con capacidad limitada. Nuevos algoritmos y cotas de arrepentimiento.
Decaimiento de Valor Muestreado Espacialmente: Olvido en RL No Estacionaria
Space-sampled Value Decay: un mecanismo de olvido explícito que mejora la adaptación de Deep RL a entornos no estacionarios. Conoce sus ventajas y limitaciones.
Filtro de Kalman por conjuntos neuronal para flujos compresibles con choques
Descubre cómo el Neural EnKF mejora la asimilación de datos en flujos compresibles con choques, evitando oscilaciones espurias mediante redes neuronales.