Así aprendería Linux si empezara de cero
Descubre los errores que cometí al aprender Linux y cómo evitarlos. Basado en mi experiencia de 4 años usando exclusivamente Linux en mi trabajo.
#distribuciones
Aprendizaje de DNF mediante representaciones generalizadas de Fourier
Descubre cómo las representaciones generalizadas de Fourier permiten aprender DNF bajo distribuciones no producto. Un avance clave en teoría del aprendizaje automático.
Adaptando el ruido a los datos con flujos generativos
Aprende a adaptar el ruido latente usando funciones cuantiles para optimizar distribuciones previas en flujos generativos. Mejora el aprendizaje de colas pesada
Cómo probar si un conjunto de datos es demasiado influyente
¿Pocos datos sesgan tus conclusiones? Detecta influencia excesiva con tests rigurosos basados en distribuciones extremas. Aplica en economía, biología y ML.
Flujos Wasserstein Acelerados para Optimización Multiobjetivo
Descubre cómo el nuevo algoritmo A-MWGraD acelera la optimización multiobjetivo en espacios de Wasserstein, logrando convergencia O(1/t²) y mejor muestreo.
Robustez probabilística no paramétrica: estimador conservador de riesgo
Descubre la robustez probabilística no paramétrica (NPPR), una métrica práctica que estima el riesgo de forma conservadora sin necesidad de conocer la distribuc
Un enfoque de prueba de distribución para agrupar distribuciones
Descubre cómo un enfoque de prueba de distribución permite recuperar la partición oculta de distribuciones con cotas de complejidad de muestreo ajustadas.
Aprendizaje profundo extremo a extremo para predecir salidas en espacios métricos
E2M revoluciona la predicción de datos no euclidianos con deep learning. Conoce su teoría, rendimiento y aplicaciones en mortalidad y tráfico.
Análisis estadístico del valor Shapley en localización de anomalías en sensores
Descubre el análisis teórico del valor Shapley para localizar anomalías en sensores. Comparamos su rendimiento con tests más simples y revelamos sorpresas.
CDOT: Transporte Óptimo Convexo de Distancias
Descubre CDOT, un marco convexo de transporte óptimo que alinea distribuciones heterogéneas preservando geometría. Mejora robustez y precisión.
Garantías generalizadas en inferencia variacional con simetría par y elíptica
Descubre cómo las garantías generalizadas para inferencia variacional con simetría par y elíptica aseguran la recuperación de media y correlación, incluso sin condiciones estrictas.
Aproximación de divergencias-f con estadísticos de rango
Aproxima divergencias-f con estadísticos de rango. Método rank-statistic para alta dimensión usando proyecciones aleatorias. Eficiente y validado.
Estimación de razón de densidades con flujos para distribuciones intratables
Descubre cómo la estimación de razón de densidades con flujos condicionados permite comparar estados celulares en genómica para evaluar efectos de tratamiento.
Garantías de rendimiento probabilísticas para aprendizaje por refuerzo multitarea
Descubre cómo obtener garantías formales de rendimiento en aprendizaje por refuerzo multitarea para tareas no vistas, incluso con pocos datos.
Escalado temporal universal de 1/3 en distribuciones puntiagudas
El entrenamiento de LLMs converge lentamente por una razón fundamental: softmax y entropía cruzada generan un escalado de pérdida universal 1/3. Descubre las implicaciones.
DistMatch: Agrupación Adaptativa para Predicción Conformal Secuencial
Descubre DistMatch, nuevo método de agrupación adaptativa que mejora la robustez de la predicción conforme secuencial ante cambios de distribución.
Estructura y Escala en Modelado de Secuencias Simpliciales
¿Cómo se relacionan las leyes de escalado con las representaciones internas en deep learning? Este estudio revela una correlación entre rendimiento y estructura
Monte Carlo secuencial reforzado para muestreo amortizado
Descubre cómo el Monte Carlo secuencial reforzado mejora el muestreo amortizado de distribuciones complejas. Entrenamiento off-policy y temperado adaptativo para mayor precisión.
Estimación mejorada de distribuciones en norma infinito
Descubre cómo mejoramos la estimación de distribuciones discretas bajo norma infinito con nuevas cotas minimax y resultados empíricos prometedores.
Una visión unificada de los flujos Wasserstein generativos
Descubre cómo los flujos Wasserstein unifican GANs, MMD y modelos generativos con JKO. Una visión teórica para la optimización de distribuciones.