REMAL: Aprendizaje Activo de Manifold Residual en Diseño Multidisciplinario
REMAL: aprendizaje activo para modelar superficies residuales en sistemas de ingeniería acoplados. Reduce costos en diseño multidisciplinario y optimización.
#cuantificación de incertidumbre
Predicción Probabilística Conformal Jerárquica para Adopción de DER
Nuevo método jerárquico de predicción conformal para adopción de DER con garantías estadísticas. Ideal para planificación de redes.
Descubrimiento e inferencia no lineal en epidemiología con RuleSHAP
Descubre cómo RuleSHAP combina regresión bayesiana y valores Shapley para detectar efectos no lineales en datos epidemiológicos con incertidumbre cuantificada.
PCS-UQ: Cuantificación de incertidumbre con el marco PCS
El marco PCS-UQ cuantifica incertidumbre en ML con predicción-check y calibración multiplicativa. Supera a métodos conformales en cobertura de subgrupos y reduce conjuntos de predicción un 20%.
CP4SBI: Cómo Calibrar Conjuntos Creíbles en Inferencia Basada en Simulación
CP4SBI calibra conjuntos creíbles en inferencia basada en simulación, ofreciendo garantías de cobertura local para mejorar la cuantificación de incertidumbre.
¿Qué incertidumbres necesitamos para sistemas dinámicos?
Descubre qué tipos de incertidumbre (aleatoria y epistémica) son clave en sistemas dinámicos desde la perspectiva del machine learning y cómo modelarlas.
Modelado de propiedades magnéticas con redes neuronales conscientes de incertidumbre
Explora cómo las redes neuronales con cuantificación de incertidumbre predicen propiedades magnéticas y mejoran la confianza en materiales para imanes permanentes. ¡Fiabilidad garantizada!
SPACR: Entrenamiento adaptativo de un solo paso para regresores conformales
SPACR: entrena regresores conformales en un solo paso, obteniendo intervalos más estrechos y mejor equilibrio cobertura-eficiencia con menor costo.
Predicción conforme para operadores neurales: incertidumbre en simulación física
Descubre cómo la predicción conforme cuantifica la incertidumbre en simulaciones con operadores neurales, ofreciendo intervalos con cobertura garantizada.
Aprendizaje de operadores Navier-Stokes 2D con predicción conforme
Aprende cómo la predicción conforme calibra la incertidumbre en redes neuronales para flujos Navier-Stokes 2D con pocos datos.
Cuantificando incertidumbre en captura de basura espacial con redes activas
Descubre cómo las observaciones ruidosas generan incertidumbre en la captura de basura espacial con redes activas y cómo cuantificarla.
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.
Inferencia Conformal Localmente Adaptativa para Modelos de Operadores
Descubre LSCI, un marco libre de distribución para generar conjuntos de predicción adaptativos y calibrados para modelos de operadores en pronósticos espacio-temporales.
IA interpretable para estudios de osteoartritis de rodilla
Descubre cómo un marco de IA interpretable y confiable utiliza aprendizaje profundo y predicción conforme para estudiar la relación estructura-dolor en la osteoartritis.
Decisiones aversas al riesgo con garantía condicional a la acción
Descubre el nuevo método de predicción conforme que ofrece garantías condicionales a la acción para decisiones aversas al riesgo. Mejora la seguridad en IA.
Toma de decisiones adversa al riesgo con garantía condicional a la acción
Nuevo método de predicción conforme condicional a la acción para decisiones adversas al riesgo con garantías explícitas. Mejora sobre enfoques anteriores.
Ranking consciente de jueces para evaluar LLMs sin verdad de campo
Descubre cómo este marco de ranking consciente de jueces mejora evaluaciones de LLMs sin etiquetas de referencia, optimizando fiabilidad y eficiencia.
Priors TV-ℓp generalizados para mapeo T1 bayesiano
Priors TV-ℓp generalizados mejoran la cuantificación de incertidumbre en mapeo T1 bayesiano, reduciendo sesgo y varianza para imágenes más fiables.
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.
Flow Learners para PDEs: hacia un paradigma física-a-física
Los Flow Learners alinean dinámica continua con IA para transformar la simulación de PDEs y cuantificar incertidumbre.