Aceleración optimización bayesiana multiobjetivo vía gradientes predictivos
Acelera la optimización bayesiana multiobjetivo con gradientes predictivos. Descubre cómo lograr convergencia más rápida al conjunto de Pareto.
#convergencia
Optimización Descentralizada Acelerada con SGD Estocástico
Descubre MG-ADSGD, algoritmo que acelera la optimización descentralizada con SGD, mejorando comunicación y convergencia para problemas fuertemente convexos.
Gradiente Descendente Estocástico Descentralizado Acelerado
MG-ADSGD acelera la optimización descentralizada con comunicación eficiente, logrando la mejor complejidad comunicacional para problemas fuertemente convexos.
Transición de fase abrupta del estimador M de Tyler en recuperación de subespacios
El estimador M de Tyler presenta una transición de fase abrupta en DS-SNR=1. Descubre su comportamiento crítico para la recuperación robusta de subespacios.
Dinámicas de aprendizaje bajo reparametrización relativa de modelos singulares
Descubre cómo la reparametrización relativa optimiza la convergencia en modelos singulares como GMM y redes neuronales. Teoría y experimentos.
Modelando AdaGrad, RMSProp y Adam con ecuaciones integro-diferenciales
Descubre cómo AdaGrad, RMSProp y Adam se modelan con ecuaciones integro-diferenciales. Un nuevo enfoque teórico para optimizadores adaptativos.
LoRA-DA: Inicialización eficiente con datos para adaptación de bajo rango
LoRA-DA mejora la precisión y estabilidad del fine-tuning con inicialización consciente de datos. Descubre cómo el análisis asintótico optimiza la adaptación de bajo rango.
Mutación sin variación: convergencia en evolución de programas con LLM
Descubre por qué los LLM generan programas repetitivos: un estudio revela que el 87% de las mutaciones vuelven a formas previas. ¿Cómo evitarlo?
HyperLoRA: Amortizando la adaptación federada de modelos fundacionales
HyperLoRA elimina sesgos de agregación y retrasos en inicialización, logrando convergencia más rápida y personalización robusta en modelos fundacionales.
Convergencia Rápida y Robusta de TD(0) con Aproximación Lineal
Descubre cómo TD(0) con aproximación lineal logra una convergencia rápida y robusta, con tasa óptima de 1/k y sin depender del menor autovalor. Ideal para aprendizaje por refuerzo.
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.
Convergencia del Gradient Boosting Multicalibrado
Análisis de la convergencia del gradient boosting multicalibrado: garantías computacionales y experimentos en datos reales. Léelo ahora.
Escape eficiente de puntos de silla bajo suavidad generalizada
Descubre cómo escapar eficientemente de puntos de silla en funciones no convexas con suavidad generalizada. Nuevos resultados de convergencia para métodos de primer orden.
Aprendizaje para optimizar con garantías: algoritmos lineales convergentes
Descubre cómo mejorar el rendimiento promedio de algoritmos de optimización manteniendo garantías de convergencia lineal. Aplicaciones en IA y control predictivo.
Dos canales F-Transform para caracterización temprana en correlación iterada
El descriptor F-Transform de dos canales caracteriza trayectorias tempranas en correlación iterada con alta precisión y baja dimensionalidad.
Estimación del parámetro subgaussiano
Nuevo estimador consistente para el parámetro subgaussiano. Tasas de convergencia óptimas y aplicación en enriquecimiento GO. ¡Mejora tus pruebas de permutación!
Mitigando la maldición de la dimensionalidad con activaciones suaves
Aprende cómo las redes neuronales con activaciones suaves mitigan la maldición de la dimensionalidad, garantizando convergencia uniforme y robustez en regresión. ¡Entra!
Reutilizar trayectorias en gradientes de política permite convergencia rápida
El nuevo algoritmo RT-PG reutiliza trayectorias off-policy para acelerar la convergencia en métodos de gradientes de política, mejorando la eficiencia muestral.
Algoritmo EM descentralizado con datos heterogéneos y etiquetado parcial
El algoritmo MNEM elimina el sesgo en mezclas gaussianas con datos heterogéneos y etiquetado parcial. Ideal para aprendizaje federado descentralizado.
Codificador/Decodificador que Preserva Geometría en Modelos Generativos Latentes
Descubre cómo un nuevo framework de codificador/decodificador preserva la geometría de los datos, acelerando la convergencia en modelos generativos latentes.