Un cosmólogo descubre cómo Diffrax salvó su inferencia bayesiana
Un cosmólogo revela cómo al cambiar de SciPy ODE a Diffrax mejoró su inferencia bayesiana, los costos, ganancias y los tres errores que debes evitar.
#bayesiana
Modelo de persuasión multironda con rastreo probabilístico de creencias
Descubre PERSUASIONTRACE, un marco para analizar cómo los LLM persuaden en diálogos multironda. Un modelo bayesiano de rastreo de creencias revela la dinámica de la persuasión.
Inferencia entrópica para atlas causales: más allá de DAG óptimos
Descubre cómo la inferencia entrópica crea atlas de relaciones causales más allá de los DAG óptimos, revelando la ambigüedad inherente en los datos.
Blade: Método de inversión bayesiana sin derivadas con priors de difusión
Blade: método de inversión bayesiana sin derivadas con priors de difusión. Obtén muestras calibradas en dinámica de fluidos. Ideal para IA y ciencia de datos.
Blade: Inversión bayesiana sin derivadas con priors de difusión
Blade: inversión bayesiana sin derivadas con priors de difusión. Partículas interactuantes para posteriores precisos y calibrados en dinámica de fluidos.
Agentic Monte Carlo: Aprendizaje por Refuerzo en Agentes Caja Negra
Optimiza agentes LLM de caja negra sin entrenarlos. Agentic Monte Carlo supera a GRPO. Aprende inferencia bayesiana.
EVIDENT: cómo seleccionar la mejor arquitectura neural para glucosa
Descubre EVIDENT, un innovador marco de selección de arquitecturas neurales basado en evidencia para predecir glucosa con precisión incluso con datos escasos.
Inferencia Bayesiana Semiparamétrica en Diferencias en Diferencias
Nuevos métodos bayesianos semiparamétricos para diferencias en diferencias. Regresión con procesos gaussianos y doblemente robusto con validez frecuentista.
Optimización Adaptativa de Rollouts para Post-Entrenamiento con RL
Descubre CERO, método adaptativo que optimiza rollouts en post-entrenamiento de LLMs. Supera a GRPO en razonamiento matemático. ¡Eficiencia mejorada!
Representaciones Bayes-Suficientes en Aprendizaje Supervisado
Descubre cómo las representaciones Bayes-suficientes preservan la información relevante para la predicción óptima. Incluye experimentos con iNaturalist.
Aprendizaje bayesiano para el problema de ruta más corta estocástica
Aprende cómo el aprendizaje bayesiano cuantifica la incertidumbre en rutas estocásticas, mejorando la eficiencia de datos frente a métodos tradicionales.
Calibración con Flow Matching para Inferencia Basada en Simulación
¿Modelos incorrectos en inferencia basada en simulación? FMCPE usa flow matching para corregir estimaciones con datos de calibración. Mejora tu precisión.
Pruebas de redes neuronales guiadas por Bayes en paisajes de decisión
Descubre cómo BayesWarp mejora el testing de redes neuronales, descubriendo fallos diversos con cercanía a datos originales. Aumenta fiabilidad.
Inferencia bayesiana de difusiones con flujos normalizantes Neural Galerkin
Aprende cómo los flujos normalizantes Neural Galerkin permiten inferencia bayesiana eficiente en difusiones con fronteras inaccesibles.
Privacidad Bayesiana de Membresía para Redes Neuronales de Grafos
Descubre cómo la Privacidad Bayesiana de Membresía (BMP) ofrece un análisis fino de la filtración de datos en GNNs, superando las métricas globales.
ReLoRA: Adaptación rápida reutilizando conocimiento para servicios LLM
ReLoRA acelera la reutilización de adaptadores LoRA para servicios LLM en evolución, reduciendo tiempos de preparación hasta 8.9x y mejorando precisión un 4.6%.
Aprendizaje bayesiano disperso para núcleos de interacción Motsch-Tadmor
Aprende cómo un algoritmo SBL estima núcleos de interacción en el modelo Motsch-Tadmor, cuantificando incertidumbre a partir de datos de trayectoria.
Aprendizaje de DNF mediante representaciones generalizadas de Fourier
Descubre cómo las representaciones generalizadas de Fourier permiten aprender DNF bajo distribuciones no producto. Un avance clave en teoría del aprendizaje automático.
Recocido con semilla Rashomon: inferencia bayesiana robusta
El recocido con semilla Rashomon optimiza la inferencia bayesiana en diseños factoriales, superando multimodalidad y combinando evidencia con incertidumbre.
MCMC sin evaluar el objetivo: enfoque de variable auxiliar
Descubre cómo un nuevo marco unifica y mejora algoritmos MCMC usando variables auxiliares, sin necesidad de evaluar la distribución objetivo. Mejor rendimiento en datos sintéticos y reales.