Calibración epistémica en clasificación de segundo orden
¿Son fiables las incertidumbres de los modelos? La calibración epistémica revela fallos que la calibración clásica ignora. Aprende sobre el nuevo error EECE.
#automático
¿Podemos confiar en nuestros modelos? Calibración epistémica
¿Confías en la incertidumbre de tu IA? La calibración epistémica revela si es fiable. Descubre el nuevo error EECE para clasificación de segundo orden.
¿Cuándo predicen bien los modelos autorregresivos ondas sísmicas?
Descubre cómo los modelos autorregresivos predicen ondas sísmicas de forma estable. La predicción multi-token es clave.
XtrAIn: Atribución de características mediante oclusión guiada por entrenamiento
XtrAIn reemplaza la oclusión por actualizaciones de parámetros, reduciendo sesgos y drift. Logra explicaciones más estables y limpias para modelos de IA.
XtrAIn: Oclusión guiada por entrenamiento para atribución de características
XtrAIn: método de atribución basado en entrenamiento que evita sesgos y genera explicaciones estables. Ideal para modelos de IA y diagnósticos médicos.
Actualización bayesiana con flujo de partículas neuronal poblacional
Descubre cómo el flujo de partículas neuronal poblacional mejora la actualización bayesiana con codificación de conjuntos profundos para transporte más preciso.
GRAFT: Adaptadores Recalibrados por Ganancia para Modelado Neuronal
Descubre GRAFT, el modelo que marca un nuevo SOTA en modelado neuronal con capacidad de recalibración entre días.
Explorando el diseño de retropropagación de recompensa para Flow Matching
Descubre FlowBP, un nuevo marco que optimiza la retropropagación de recompensa en modelos de Flow Matching, mejorando la alineación sin saturar la memoria.
k-Vecinos Más Cercanos en el Espacio de Gromov-Wasserstein
Aprende a clasificar grafos con k-NN usando distancia Gromov-Wasserstein. Consistencia universal probada.
Convergencia casi exponencial en clasificación kNN con Margen Boltzmann
Descubre cómo el nuevo margen Boltzmann logra tasas de convergencia casi exponenciales en clasificación kNN. Supera limitaciones de márgenes clásicos. ¡Lee más!
Acelerando optimización SAV con Hessiana de bajo rango aleatorizada
N-RSAV acelera la optimización SAV con Hessiana de bajo rango aleatoria. Logra convergencia más rápida en PINNs y problemas mal condicionados.
Marco adaptativo para magnetosfera de púlsares con redes Kolmogorov-Arnold
Descubre las redes Kolmogorov-Arnold que mejoran precisión y rapidez en simulaciones de magnetosfera de púlsares, reduciendo errores y tiempo de entrenamiento.
Corrigiendo la importancia de variables en Random Forests
Descubre cómo corregir el sesgo en la importancia de variables calculada por Random Forests cuando hay correlaciones. Método basado en agrupación condicional para obtener métricas más precisas.
DF-SSM: Compresión 1-bit y Organización del Conocimiento en Mamba-2
Descubre cómo los Modelos de Campo de Densidad comprimen Mamba-2 a 1-bit, logrando inferencia 21x más rápida y revelando la organización interna del conocimiento en tres fases.
Sistemas Predictivos Conformales Generalizados ante Cambios de Distribución
Descubre cómo los Sistemas Predictivos Conformales Generalizados manejan cambios de distribución, ofreciendo bandas de predicción calibradas y robustas.
Aprendizaje Federado Activo-Pasivo para Datos Multivista con Partición Vertical
Nuevo marco APFed: un cliente activo realiza inferencia independiente en datos multivista con partición vertical, preservando la privacidad.
AdaGC: Mejora la estabilidad del preentrenamiento con recorte adaptativo
AdaGC mejora la estabilidad del preentrenamiento de modelos de lenguaje grandes (LLM) eliminando picos de pérdida y aumentando la precisión en hasta 2.48%.
FreshRetailNet-LT: Dataset de demanda censurada con desabastecimientos
Descubre FreshRetailNet-LT, el primer dataset con datos de demanda censurada y desabastecimientos para mejorar la previsión en retail fresco.
Litigio estratégico desde la teoría del aprendizaje automático
La teoría del aprendizaje automático ayuda a litigantes a seleccionar casos clave para influir en precedentes legales. Descubre cómo.
Predicción conforme en línea basada en optimización para pronósticos multi-paso
Descubre O2CP, un marco de predicción conforme online que optimiza intervalos multi-paso, logrando cobertura garantizada y menor desperdicio. Ideal para series temporales en IA y cloud.