Cotas de arrepentimiento del muestreo de Thompson en optimización bayesiana
Descubre nuevas cotas de arrepentimiento para el muestreo de Thompson en optimización bayesiana, con límites inferiores y superiores mejorados.
#aprendizaje
TaskFusion: Detección Continua de Anomalías para Datos Tabulares Heterogéneos
Descubre TaskFusion, innovador método de detección continua de anomalías en datos tabulares heterogéneos. Supera deriva de distribución y olvido catastrófico.
Teoría del aprendizaje de estadísticas en modelos de difusión: de fácil a complejo
Descubre cómo los modelos de difusión aprenden estadísticas simples primero y luego las complejas, según una nueva teoría con implicaciones para la generación de imágenes.
RePAIR: Aprendizaje de Representaciones Auto-Supervisado Predictivo en Ajedrez
Descubre RePAIR: una innovadora arquitectura que codifica posiciones de ajedrez en representaciones compactas para analizar partidas sin refuerzo.
MemNovo: secuenciación de novo de péptidos desde espectrometría de masas
MemNovo mejora la secuenciación de novo de péptidos al reequilibrar la información del espectro y la secuencia generada, logrando hasta un 39% más de precisión sin costo computacional.
Estimación insesgada de derivadas para medias estacionarias
Aprende cómo estimar gradientes de forma insesgada en cadenas de Markov, incluso con mezcla lenta. Perfecto para modelos con redes neuronales.
HAMNO: Operador Neural Jerárquico Adaptativo Multi-escala con Física Informada
Descubre HAMNO: un operador neural jerárquico que mejora la precisión y estabilidad en simulaciones de sistemas dinámicos con física informada.
Bandit Logístico Multinomial Eficiente con Frequent Directions
Descubre cómo EOFD-MLogB reduce drásticamente el tiempo y espacio en bandits logísticos multinomiales usando sketching de matrices.
PAWS: Aprendizaje por preferencias con ventajas ponderadas por segmentos
Descubre PAWS, un innovador método de aprendizaje por refuerzo basado en preferencias que mejora la asignación temporal de crédito usando ventajas por segmentos
Estimación precisa de información mutua en datos de alta dimensión
Descubre cómo estimar información mutua en alta dimensión con redes neuronales, corrección de sesgo y confianza. Protocolo probado en imágenes reales.
¿Qué incertidumbres necesitamos para sistemas dinámicos?
Descubre qué tipos de incertidumbre (aleatoria y epistémica) son clave en sistemas dinámicos desde la perspectiva del machine learning y cómo modelarlas.
MSRGC-Net: Clustering eficiente de series temporales multiescala
Aprende cómo MSRGC-Net realiza clustering de series temporales con alta eficiencia usando reservorio multiescala y gráficos de anclaje.
Aprendizaje activo para descubrimiento de modelos en datos ultra escasos
Descubre cómo el aprendizaje activo con E-SINDy identifica ecuaciones dinámicas con datos ultra escasos. Ideal para sistemas complejos.
Fourier Features para aprendizaje por imitación de alta precisión
Descubre cómo las Fourier Features mejoran la precisión en aprendizaje por imitación para robótica. Resultados en benchmarks y robots reales. ¡Lee más!
Anatomía del posentrenamiento: cómo la interpretabilidad moldea el aprendizaje
Aprende cómo la interpretabilidad audita datos de post-entrenamiento para moldear el aprendizaje y evitar sesgos en modelos de lenguaje.
A2SG: Gradientes sustitutos adaptativos y asimétricos para SNNs
Descubre cómo A2SG, los gradientes sustitutos adaptativos y asimétricos, mejoran la precisión y eficiencia energética en redes neuronales de picos profundas.
Modelado con procesos gaussianos restringidos para sistemas cuánticos
Descubre cómo el modelo pc-EGP combina procesos gaussianos con restricciones físicas para simular sistemas cuánticos costosos con ruido variable. ¡Lee el artículo!
My Chemical Harness: Diseño Molecular Evolutivo sobre Rutas Sintéticas con Agentes LLM
Los agentes LLM guían el diseño molecular evolutivo sobre rutas sintéticas reales, alcanzando resultados de vanguardia en sEH sin entrenamiento.
Encuentro multiagente en flujos de fluidos vía aprendizaje reforzado
Aprende cómo el MARL optimiza el encuentro multiagente en flujos de fluidos. Supera estrategias ingenuas y evita que los agentes queden atrapados.
Phi-Actor-Critic: equilibrios Pareto-eficientes en juegos multiagente
Descubre cómo Phi-Actor-Critic optimiza el bienestar social en sistemas multiagente, logrando equilibrios eficientes mediante minimización de arrepentimiento y un crítico de atención centralizado.