Rango de signo, índice y replicabilidad: conexiones y separaciones
Descubre cómo se relacionan el rango de signo, el índice Z2 y la replicabilidad de listas en teoría del aprendizaje. Nuevas cotas y separaciones.
#combinatoria
EvoCSFL: Selección Evolutiva de Clientes con Modelo Suplente para Aprendizaje Federado
Descubre cómo EvoCSFL optimiza la selección de clientes en Federated Learning con modelos suplentes y algoritmos evolutivos para mayor convergencia, menor
Modelos Causales Estructurales Relacionales
Modelos causales relacionales para IA: razonamiento sobre intervenciones y generalización a objetos no vistos. Aprende su implementación con redes neuronales.
CADO: De imitación a minimización de costos en optimización combinatoria
CADO: minimiza costos reales en optimización combinatoria superando el sesgo de imitación. Resultados de vanguardia.
RidgeCut: Partición de grafos con anillos y cuñas
Descubre RidgeCut, un método de RL que particiona grafos usando anillos y cuñas, logrando cortes normalizados más bajos en redes de transporte.
Aprendizaje de distribuciones de permutaciones mediante difusión en rangos suaves
Soft-Rank Diffusion: método de difusión suave para aprender permutaciones. Mejora el rendimiento en ordenamiento y optimización combinatoria.
Los números ya llevan sus propios embeddings
Descubre cómo los embeddings AOE preservan el valor real y las firmas modulares de los números, mejorando tareas de IA sin necesidad de reentrenamiento. Resultados perfectos en benchmarks.
Semi-Bandit Combinatorio en Grafos con Recompensas No Lineales
Descubre cómo optimizar la exploración en datos complejos con estrategias adaptativas y garantías teóricas. Resultados en datos de transporte reales.
Optimización Bayesiana en espacios de permutación de alta dimensión
Descubre cómo el Merge Kernel revoluciona la optimización Bayesiana en altas dimensiones, superando al Mallows en escalabilidad y rendimiento.
Enfrentando problemas GNARLy: razonamiento algorítmico con redes neuronales y RL
GNARL revoluciona el razonamiento algorítmico neuronal: combina RL e imitación para lograr alta precisión en problemas NP-hard sin algoritmos expertos.
ComBench: nuevo benchmark de combinatoria olímpica para IA
ComBench: el mejor modelo solo alcanza 65.4% en problemas de combinatoria olímpica. Descubre las brechas.
Fusión combinatoria en validación para detectar fraudes desbalanceados
Mejora la detección de fraudes con CFA: supera modelos individuales en AUC-ROC, AUPRC y F1. Ideal para datos desbalanceados.
Aprendizaje por Refuerzo con Conciencia Geométrica para Anidamiento Irregular 2D
Descubre cómo el aprendizaje por refuerzo con el Transformer de Polígonos supera a los solvers heurísticos en anidamiento irregular 2D, alcanzando una utilizaci
Aprendizaje por refuerzo con conciencia geométrica para anidamiento 2D
Descubre cómo un nuevo enfoque de aprendizaje por refuerzo con atención geométrica supera a los solucionadores heurísticos tradicionales en el anidamiento irregular 2D.
Muestreo Guiado por Latente para Optimización Combinatoria
LGS-Net revoluciona la optimización combinatoria con muestreo guiado por latente y MCMC. Resultados state-of-the-art en problemas de enrutamiento.
Optimización de políticas sin línea base para optimización combinatoria neuronal
Descubre cómo GRPO evita el colapso del entrenamiento en optimización combinatoria neuronal sin necesidad de línea base, mejorando la estabilidad en problemas de ruteo como TSP y CVRP.
scCBGM: Edición Contrafactual Interpretable de Células Únicas
scCBGM: marco interpretable para edición contrafactual precisa de células individuales. Supera benchmarks en predicción y generalización combinatoria.
Flujo esférico latente para RL con acciones combinatorias
LSFlow: política de flujo esférico latente para RL con acciones combinatorias. Supera en 20.6% a métodos tradicionales, mejorando eficiencia y estabilidad.
Generación adversarial y entrenamiento robusto en optimización combinatoria neuronal
Generación de instancias adversariales y entrenamiento robusto para optimización combinatoria multiobjetivo. Mejora el rendimiento en distribuciones complejas.
Selección de evidencia con optimización cuántica para razonamiento legal
EP-HUBO usa optimización cuántica para seleccionar la mejor evidencia en razonamiento legal, superando el voto mayoritario y preservando hipótesis correctas.