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.
#diferencial
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.
Revisión de amplificación de privacidad por submuestreo en DPSGD selectivo
Descubre cómo el nuevo algoritmo DPSR-CG logra privacidad diferencial rigurosa sin sacrificar el rendimiento del modelo en aprendizaje automático.
DPDL: Privacidad diferencial en aprendizaje descentralizado con datos no IID
DPDL protege tu privacidad en aprendizaje descentralizado con datos no IID mediante calibración y ruido gaussiano. Logra velocidad lineal y alta precisión.
LC-PINN: Redes neuronales con pérdida condicional para familias paramétricas de EDP
Descubre cómo LC-PINN entrena un único modelo que resuelve toda una familia de ecuaciones diferenciales paramétricas, sin datos generados por solver.
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
Alineación de Atención Enmascarada para Cuantización Sin Datos en ViTs
Descubre cómo MaskAQ utiliza alineación de atención enmascarada para cuantizar Vision Transformers sin datos reales, mejorando la seguridad y el rendimiento.
Modelo ensamblado de factores latentes con evolución diferencial y gradiente
El modelo ELFM-DEGDO combina evolución diferencial y gradiente descendente para mejorar representación de datos HDI, superando sesgos de optimización.
Ekka: Diagnóstico automatizado de errores silenciosos en inferencia de LLM
Ekka diagnostica automáticamente errores silenciosos en inferencia de LLM con un 80% de precisión. Aprende cómo esta herramienta identifica fallos ocultos en tu servidor.
Enfoque de precisión dinámica consciente de curvatura para PINNs
Descubre cómo un control de precisión basado en curvatura reduce costos computacionales en PINNs sin sacrificar exactitud. Optimiza tu entrenamiento.
SharedRequest: Inferencia Privada y Agnóstica para Modelos de Lenguaje
SharedRequest protege la privacidad de tus consultas en LLMs sin afectar rendimiento. Mejora utilidad 20% y reduce costos 5x. ¡Descúbrelo!
Sesgo de género en triaje médico con LLM: mismos síntomas, urgencia desigual
Estudio revela que los LLM como GPT y Gemini subestiman la urgencia de mujeres jóvenes con síntomas neurológicos, replicando sesgos humanos.
Modelos oscilatorios de espacio de estados como sesgos inductivos para PINNs
Optimiza la solución de EDP con modelos oscilatorios: mayor precisión, menor memoria. ¡Descubre cómo!
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.
¿Son fiables los solucionadores híbridos de EDP basados en deep learning?
Descubre por qué los solucionadores híbridos de EDP con deep learning fallan y cómo la aceleración Anderson con física informada garantiza convergencia fiable.
PINNfluence: Interpretando PINNs mediante funciones de influencia
Descubre cómo PINNfluence interpreta las redes neuronales físicas informadas usando funciones de influencia para diagnosticar su comportamiento.
Introducción a métodos de optimización para entrenar modelos SciML
Aprende cómo la física y los operadores diferenciales condicionan la optimización en SciML. Métodos de primer y segundo orden, aplicaciones prácticas y desafíos.
Modelos de difusión con información física en espacio espectral
Descubre cómo los modelos de difusión en espacio espectral integran leyes físicas para resolver PDEs con eficiencia y precisión. Ideal para ingeniería y ciencia.
Operadores Neuronales Basados en la Luz: Reflexión, Refracción y Dispersión
Descubre LiNO, un operador neuronal inspirado en la luz que reduce la complejidad espacial de cuadrática a lineal, mejorando la escalabilidad y el rendimiento en PDEs.