Un límite de complejidad unificado para el muestreo logcóncavo
Nuevo límite de complejidad casi óptimo para muestreo logcóncavo con algoritmo In-and-Out y elevación exponencial. Mejora en constante de Poincaré.
#convergencia
AGMMN: Redes adaptativas que mejoran el aprendizaje de dependencias
Descubre cómo AGMMN mejora el aprendizaje de dependencias en modelos de cópula, superando a GMMN y modelos paramétricos. Aplicación en S&P 500 y FTSE 100.
Tiempos de mezcla en Gibbs con aumento de datos para probit de alta dimensión
Analizamos los tiempos de mezcla de Gibbs con aumento de datos en regresión probit de alta dimensión. Límites explícitos y cómo elegir prior que acelera la convergencia.
Ejecución en tiempo real con políticas autorregresivas
Descubre cómo las políticas autorregresivas logran ejecución en tiempo real superando a modelos de difusión con mayor velocidad y generalización.
Optimización distribuida con métodos primal-dual cuantizados
Descubre q-PDGD, un método primal-dual cuantizado que logra convergencia lineal en optimización distribuida con gradientes estocásticos y comunicación de bits limitados.
Domando el ruido: ajuste fino eficiente en memoria para LLMs
Convierte el ruido en descenso: nuevo marco de optimización de orden cero para ajustar LLMs con ahorro de memoria y mayor velocidad de convergencia.
Convergencia de la última iteración de OMWU optimista
La última iteración de OMWU optimista converge a un punto silla en problemas suaves convexo-cóncavos. Un hito en optimización con aplicaciones en IA.
QSplitFL: Selección Óptima de Punto de División en Split Federated Learning
QSplitFL: Deep Q-Learning para seleccionar el punto de división óptimo en SFL, mejorando convergencia y precisión en dispositivos heterogéneos.
Convergencia de la iteración optimista Monte Carlo: más allá de la uniformidad
Descubre cómo la iteración optimista Monte Carlo converge a la optimalidad con actualizaciones uniformes solo por acción. Un avance clave.
Hacia la búsqueda diversa de hipótesis científicas con LLMs
Los LLMs generan hipótesis científicas diversas y de alta calidad mediante un enfoque de muestreo que mejora la exploración sin sacrificar convergencia.
De la heterogeneidad de datos a la convergencia: revisión centrada en datos del aprendizaje federado
Descubre cómo la heterogeneidad de datos afecta la convergencia en aprendizaje federado. Revisión centrada en datos con soluciones prácticas.
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!
Optimización SAV acelerada con Hessiana de bajo rango aleatoria
Descubre cómo N-RSAV acelera optimización SAV con Hessiana, logrando convergencia rápida en problemas mal condicionados como PINNs.
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.
Análisis sketch-and-project de algoritmos de gradiente natural submuestreados
Nuevo análisis del gradiente natural submuestreado: convergencia global con un mini-batch y ventaja sobre SGD.
Aprendizaje por Refuerzo Basado en Modelos con Recompensas No Markovianas
Descubre QR-MAX, algoritmo que logra convergencia PAC y eficiencia en problemas de recompensa no markoviana.
Análisis de campo medio de auto-atención multicabezal bajo entropía cruzada
Explora un nuevo marco teórico de campo medio para la auto-atención multicabezal, estableciendo condiciones de convergencia y estabilidad bajo entrenamiento con entropía cruzada.
RankLLM: Clasificación ponderada de LLM midiendo la dificultad de preguntas
Cuantifica la dificultad de preguntas para evaluar LLMs con precisión. RankLLM logra un 90% de concordancia con evaluaciones humanas.
¿Importa la normalización en modelos causales grandes de series temporales?
Evaluamos el impacto de distintas normalizaciones en modelos causales de series temporales con transformers. Resultados clave para forecasting.
3SPO: Optimización de Políticas Guiada por Puntaje de Estado para Agentes LLM
Descubre 3SPO: nuevo algoritmo RL para agentes LLM supera GRPO con 2.4x más exploración y 1.8x más convergencia. Resultados en ALFWorld y WebShop.