Evaluación Causal de Ataques de Inferencia de Membresía
Descubre un nuevo enfoque causal para evaluar ataques de inferencia de membresía sin reentrenar, reduciendo sesgos. ¡Ideal para LLMs!
#distribución
La amplificación de errores limita la conversión ANN-SNN en control continuo
La amplificación de errores temporales limita la conversión de ANN a SNN en control continuo. Conoce CRPI, una solución ligera que suprime estos errores y recupera el rendimiento.
Cuantificación de la propagación de errores y colapso en modelos de difusión
Analizamos la propagación de errores en modelos de difusión con datos sintéticos. Primeras cotas inferiores de divergencia y regímenes de deriva.
Pruebas secuenciales asintóticamente óptimas con datos markovianos
Descubre un método asintóticamente óptimo para pruebas secuenciales en cadenas de Markov. Mejora límites inferiores y aplicaciones en MCMC y MDPs.
Predicción de umbrales atmosféricos extremos con IA
¿Cómo predecir con precisión tormentas extremas? Comparamos métodos de IA que modelan la distribución completa vs clasificación binaria. Resultados sorprendentes.
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.
Autoencoders Variacionales Hipersféricos con Cauchy Esférica Eficiente
VAEs hipersféricos con Cauchy esférica: más eficiente y estable que vMF. Ideal para datos complejos.
Repensando la evaluación de RL: ¿Los benchmarks revelan sus fallas?
Los benchmarks actuales no revelan las fallas de los métodos de RL en LLMs. Descubre el OPG y principios para evaluar la generalización.
Predicción Conformal Online sin Parámetros y Condicional por Grupos
Nuevo método de predicción conformal online sin parámetros para cobertura justa por grupos en entornos cambiantes. ¡Mejora la fiabilidad de tus modelos!
Pruebas estadísticas en grafos dirigidos mediante datos sustitutos
Descubre cómo generar datos sustitutos para pruebas estadísticas no paramétricas en grafos dirigidos, superando limitaciones de métodos existentes.
Análisis teórico de Engression y Reverse Markov Engression
Descubre los nuevos límites de convergencia no asintóticos para Engression y Reverse Markov Engression. Resultados casi óptimos para aprendizaje de distribuciones condicionales con redes profundas.
Localización libre de distribución de puntos de cambio tras detección secuencial
Nuevo método libre de distribución para localizar puntos de cambio después de una detección secuencial. Garantías de cobertura finitas y rendimiento superior.
Recocido Autorregulado en Modelos de Difusión de Cola Pesada
Aprende cómo el recocido autorregulado en modelos de difusión de cola pesada mejora el muestreo adaptativo. Optimiza la generación con SDE.
CORE-MTL: Repensando el equilibrio de gradientes con representaciones causales ortogonales
Descubre CORE-MTL, el nuevo enfoque de representaciones causales ortogonales que mejora la generalización en aprendizaje multitarea, reduce interferencias y supera métodos existentes.
Precisión de la aproximación gaussiana en iteraciones de SA
Descubre cómo una gaussiana aproxima iteraciones de SA con cotas de error explícitas y tasas de convergencia óptimas, validado con simulaciones.
Profundidad Polar para Datos Potencialmente de Cola Pesada
Descubre la profundidad polar, una nueva métrica para ordenar extremos en datos de cola pesada y detectar anomalías multivariantes. Aplicaciones en ciberseguridad y análisis de riesgos.
FM-IRL: Flow-Matching para modelado de recompensas y regularización en RL
Descubre cómo FM-IRL combina Flow-Matching con RL para mejorar la exploración y generalización en políticas de aprendizaje por refuerzo.
Simetrías en el aprendizaje PAC-Bayesiano
Descubre cómo las simetrías no compactas mejoran las cotas de generalización en PAC-Bayes. Experimentos validan la teoría.
Cómo reportar correctamente evaluaciones con LLM como juez
Descubre cómo corregir el sesgo en evaluaciones con LLM como juez usando un marco estadístico que mejora la precisión y permite intervalos de confianza.
Aprendizaje robusto de neurona DRO grupal
Algoritmo eficiente para aprendizaje robusto de neuronas con DRO grupal, tolerante a ruido y cambios de distribución. Ideal para preentrenamiento de LLMs.