Ataques de Reconstrucción en Datos Tabulares Sintéticos
Ataques de reconstrucción en datos sintéticos: riesgos de privacidad. Estudio de 14 ataques y 9 métodos, ganador del NIST CRC.
#diferencial
Aprendizaje en contexto de ecuaciones estocásticas con modelos fundacionales
Descubre cómo FIM-SDE estima con precisión funciones de deriva y difusión a partir de datos ruidosos, sin entrenamiento.
Ecuaciones diferenciales parciales: guía completa y ejemplos
Descubre qué son las ecuaciones diferenciales parciales, su clasificación, métodos de resolución y ejemplos prácticos. Guía con aplicaciones reales.
Aprendizaje de sistemas dinámicos no lineales controlados de alta dimensión (I)
Descubre cómo las neural ODEs unifican modelos dinámicos y deep learning, con teoría de campos medios para entrenamiento en alta dimensión.
Aprendizaje inverso informado por física sin daño con incertidumbre calibrada por residual
Descubre cómo un nuevo marco de certificación asegura que el aprendizaje informado por física no empeore las reconstrucciones, con calibración de incertidumbre.
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.
Un cosmólogo descubre cómo Diffrax salvó su inferencia bayesiana
Un cosmólogo revela cómo al cambiar de SciPy ODE a Diffrax mejoró su inferencia bayesiana, los costos, ganancias y los tres errores que debes evitar.
Synapse: Enrutamiento Federado de Herramientas con Compendios Tipados
Con Synapse, enruta herramientas federadas entre LLMs heterogéneos sin compartir datos, con privacidad diferencial y precisión casi sin pérdida.
Ecuaciones Diferenciales Ordinarias: Conceptos y Aplicaciones
Descubre qué son las ecuaciones diferenciales ordinarias, sus tipos, métodos de resolución y aplicaciones en ciencia e ingeniería. ¡Entra y aprende con ejemplos prácticos!
PyCC.id: Ecuaciones basadas en hipótesis con identificabilidad estructural
Descubre PyCC, la biblioteca Python que combina hipótesis e identificabilidad estructural para descubrir ecuaciones diferenciales a partir de datos temporales.
Búsqueda Diferencial y Eficiente de Operadores
Descubre cómo la búsqueda diferencial de operadores optimiza la reducción de tokens en modelos multimodales, mejorando el equilibrio precisión-eficiencia.
Modelos Híbridos para Enfermedades Neurológicas con Programación Diferenciable
Descubre cómo los modelos híbridos combinan física y deep learning para predecir la progresión de enfermedades neurológicas como Alzheimer y tumores cerebrales.
Privacidad Diferencial y Topología en Aprendizaje Federado
Descubre cómo TADI y Fulcrum protegen la privacidad en aprendizaje federado frente a filtraciones por topología. Mejora la seguridad sin coste en utilidad.
Minimax óptimo en datos sintéticos con privacidad diferencial
Descubre cómo un nuevo algoritmo logra un error minimax óptimo en datos sintéticos con privacidad diferencial para consultas suaves, mejorando la utilidad en análisis de datos sensibles.
DP-MacAdam: Mecanismo Diferencialmente Privado con Recorte y Momentum Adaptativos
Descubre DP-MacAdam, un mecanismo que combina recorte y momentum adaptativos para entrenar modelos con privacidad diferencial y mayor utilidad.
Búsqueda Física Mejorada por Correlaciones
Descubre cómo la coincidencia de correlaciones temporales con restricciones físicas mejora la eficiencia de búsqueda. Un modelo minimalista revela el principio organizador.
Preservando la privacidad de datos en aprendizaje causal con cifrado homomórfico completo
Descubre cómo el cifrado homomórfico completo protege la privacidad en el aprendizaje de estructuras causales. Técnicas eficientes y prácticas.
Prueba de Independencia Conjunta con Privacidad Diferencial
Descubre cómo un nuevo test de independencia conjunta basado en dHSIC preserva la privacidad de los datos con potencia óptima. Un avance en estadística diferencialmente privada.
Gradiente de Política para MDP Robustos en Tiempo Continuo
Descubre cómo los algoritmos de gradiente de política en tiempo continuo mejoran la robustez en MDPs, con convergencia lineal y menor complejidad muestral.
¿Cuándo bastan menos coordenadas en DP-SGD?
Descubre cuándo es posible usar menos coordenadas en DP-SGD sin perder rendimiento. El método TP-TopK optimiza el entrenamiento privado reduciendo el ruido.