Agrupamiento temporal robusto con modelos de salto ponderados
Descubre un modelo robusto de agrupamiento temporal que pondera características según el estado y maneja outliers con Tukey. Ideal para análisis de conflictos y economía.
#condicional
Aprendiendo con simuladores: sin arrepentimiento en mundo computacional acotado
¿Y si los simuladores permitieran aprender con datos dependientes? Este estudio muestra cómo recuperar los límites de VC y más. Entra y descúbrelo.
3 proyectos prácticos de Excel para probar este fin de semana
Aprende a crear herramientas útiles en Excel este fin de semana: organiza tus hobbies, facturas y presupuesto con fórmulas simples.
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.
Adquisición de creencias como filtrado estocástico
Filtrado estocástico para adquisición de creencias: algoritmos factorizados para tracking estados y estimación parámetros, aplicaciones en epidemias y redes.
Conditional Vendi Score: Evaluación de diversidad en IA generativa
Descubre el Conditional Vendi Score, una nueva métrica que aísla la diversidad generada por el modelo en sistemas de IA guiados por prompts. Ideal para evaluar LLMs y modelos texto-imagen.
Predicción conforme para regresión diádica con datos faltantes complejos
La predicción conforme para regresión diádica con datos faltantes complejos garantiza validez condicional incluso bajo ausencia no aleatoria. Ideal para redes.
Cierre multifidelidad con incertidumbre vía flujos normalizantes condicionales
Mejora la precisión de modelos reducidos con flujos normalizantes condicionales, midiendo incertidumbre en cierre multifidelidad. Aplicación a Navier-Stokes.
Teoría de información bioeléctrica: compresión límite con IA
Descubre cómo la inteligencia artificial redefine el límite teórico de compresión de señales bioeléctricas, priorizando información útil para tareas.
MST-Direct a Escala: Simulación Geoestadística Multivariante y Condicional
Descubre cómo MST-Direct logra simulación geoestadística multivariante y condicional escalable con error cero en histogramas y datos condicionantes exactos.
Espacios de Transporte Ordenado Aleatorio Condicional
Descubre cómo CROTS revoluciona el aprendizaje distribuido al medir la admisibilidad entre distribuciones con restricciones de orden y evidencia.
Espacios de Transporte Ordenado Condicional Aleatorio
Descubre CROTS, una nueva clase de espacios métricos que evalúa no solo la distancia entre distribuciones sino la dirección del transporte, clave para aprendizaje fiable con restricciones.
Transfer learning para bosques causales
Descubre cómo aplicar transfer learning a bosques causales para estimar efectos de tratamiento condicionales. Método offset y resultados prometedores.
Predicción conforme en variedades: cuantificación de incertidumbre geométrica
Nuevo método de predicción conforme en variedades geométricas adapta regiones de incertidumbre usando distancias geodésicas. Aplicación en IGRF-14.
Flujos normalizadores condicionales para estimación conjunta de estado y parámetros
Descubre cómo los flujos normalizadores condicionales mejoran la estimación de estado y parámetros en sistemas no lineales, aplicados a conducción autónoma y predicción de epidemias. ¡Lee más!
Resolviendo problemas inversos con modelos basados en flujo mediante control predictivo
Descubre cómo MPC-Flow resuelve problemas inversos con modelos generativos de flujo sin entrenamiento, aplicable a restauración de imágenes como in-painting y super-resolución.
Evaluación de calibración de modelos con árboles de boosting
¿Tus modelos de regresión están calibrados? Descubre cómo los árboles de boosting detectan problemas de calibración y auto-calibración en datos de seguros.
Selección de modelos gráficos no dirigidos con modelos de difusión
Descubre cómo los modelos de difusión permiten seleccionar modelos gráficos no dirigidos sin asumir distribuciones paramétricas. Un enfoque innovador para datos de alta dimensión.
Principios de grandes desviaciones para redes neuronales convolucionales bayesianas
Primer principio de grandes desviaciones para CNN bayesianas. Un avance teórico sobre covarianza condicional y distribución posterior en aprendizaje profundo.
Optimización Bayesiana Mejorada con Modelos de Difusión Condicional
Descubre cómo los modelos de difusión condicional mejoran la optimización bayesiana, reduciendo costos computacionales y superando métodos tradicionales con la estrategia DMS.