Aprendiendo con simuladores: sin arrepentimiento en mundo computacional acotado
¿Y si los simuladores permitieran aprender con datos dependientes? Este estudio muestra cómo recuperar los límites de VC y más. Entra y descúbrelo.
#dimensión
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.
Estimación precisa de información mutua en datos de alta dimensión
Descubre cómo estimar información mutua en alta dimensión con redes neuronales, corrección de sesgo y confianza. Protocolo probado en imágenes reales.
Estimación de densidad Hellinger con distancia mínima: mezclas gaussianas y más
Descubre cómo el estimador de distancia mínima con Hellinger logra estimar densidades en tiempo casi lineal para mezclas gaussianas y log-cóncavas. ¡Lee más!
Mejora de Embedding Espectral con Transferencia Robusta y Flexible en EHR
Descubre cómo mejorar embeddings espectrales en EHR con transferencia de conocimiento robusta y flexible, superando datos escasos en enfermedades raras.
¿Qué límites impone la cuantización en la recuperación densa top-k?
Descubre cómo la cuantización limita la recuperación top-k en bases de datos vectoriales. Un estudio teórico revela que la dimensión y precisión deben crecer con el corpus.
Mapeo semántico revela agencia y autonomía ignoradas por medición e IA
Estudio masivo revela que la medición e IA generativa ignoran la dimensión sociocultural de la agencia del alumno. Conoce la falacia jingle-jangle.
Adquisición de creencias como filtrado estocástico
Filtrado estocástico para adquisición de creencias: algoritmos factorizados para tracking estados y estimación parámetros, aplicaciones en epidemias y redes.
Modelos de difusión rompen la maldición de la dimensionalidad
Los modelos de difusión superan la maldición de la dimensionalidad aprendiendo distribuciones de baja dimensión con pocas muestras. Clave para IA generativa.
Dimensión fractal de Fourier para predecir generalización en redes profundas
Descubre cómo la dimensión fractal de Fourier predice la generalización de redes profundas. Supera a métricas tradicionales en CIFAR-10, SVHN y MNIST.
Dimensión fractal de Fourier para predecir la generalización de redes neuronales
Aprende cómo la dimensión fractal de Fourier predice la generalización de redes neuronales sin datos de validación. Nueva métrica basada en frecuencia.
Complejidad de Muestra de los Transformers
Descubre cómo se caracteriza la complejidad de muestra de los transformers y el aprendizaje por cadena de pensamiento. Un análisis profundo de la eficiencia en el entrenamiento.
Proyecciones Implícitas Estocásticas para Conservación Integral en PINNs
Aprende cómo SDIFP impone restricciones integrales en PINNs de alta dimensión sin mallas fijas, mejorando precisión y reduciendo costos.
Eigenmapas de Transporte Óptimo Entrópico: alineación y embedding conjunto
Descubre cómo los Eigenmapas de Transporte Óptimo Entrópico permiten alinear y proyectar conjuntos de datos de alta dimensión de forma precisa y robusta.
Inferencia de alta dimensión para matrices de precisión espectrales dispersas
Nuevo método de inferencia para matrices de precisión espectrales dispersas en alta dimensión. Obtén estimaciones confiables y mayor potencia.
Factorización CP para series temporales tensoriales de alta dimensión y proyección doble
Aprende cómo la factorización CP y la doble proyección mejoran la estimación de cargas factoriales en series temporales tensoriales de alta dimensión.
Aproximación y muestreo adaptativo por consenso en paisajes energéticos
Aprende cómo el muestreo adaptativo basado en consenso optimiza la construcción de superficies de energía libre en dinámica molecular de alta dimensión. Un enfoque innovador.
Localización estocástica conjunta y aplicaciones
Descubre cómo la localización estocástica conjunta revoluciona el análisis de datos. Nueva métrica de Eldan para acoplar medidas y calcular distancias Wasserstein de forma eficiente.
Solucionadores probabilísticos estables para EDOs rígidas y de alta dimensión
Descubre cómo solucionadores probabilísticos para EDOs rígidas y de alta dimensión logran estabilidad y escalabilidad lineal, superando el coste cúbico.
Generalización en Mínimos Cuadrados No Lineales vía Geometría Aprendida
Aprende cómo la geometría de características aprendidas mejora la generalización en mínimos cuadrados no lineales, reduciendo la dependencia de parámetros.