Aprendizaje supervisado como compresión con pérdida: generalización
Descubre el aprendizaje supervisado como compresión con pérdida: análisis de bloque finito para generalización y complejidad de muestra.
#estabilidad
Optimización de políticas con recompensas híbridas eficientes en energía
Descubre cómo H-EARS mejora eficiencia energética y estabilidad en RL con recompensas híbridas guiadas por física. Resultados en benchmarks y simulaciones.
Mínimos locales en redes ReLU de dos capas: un análisis preciso
Descubre cómo se caracterizan los mínimos locales en redes ReLU de dos capas y cómo la sobreparametrización facilita el acceso a mínimos globales.
ReasonBENCH: La inestabilidad del razonamiento en LLMs
ReasonBENCH revela: la inestabilidad en el razonamiento de LLMs no es ruido, es estructura. Un solo test puede engañar. ¡Evalúa con distribuciones!
Análisis de estabilidad de Sharpness-Aware Minimization
Descubre cómo el algoritmo SAM puede quedarse atrapado en puntos de silla y cómo el momentum y el tamaño de lote ayudan a mejorar su estabilidad y generalización.
Caracterizando la búsqueda web en la era de la IA generativa
Comparativa entre búsqueda tradicional y generativa: Google, OpenAI y Perplexity analizados en fuentes, estabilidad y síntesis.
Truncación balanceada Hermite simétrica para sistemas dinámicos a partir de derivadas
Descubre cómo la truncación balanceada con cuadratura Hermite simétrica permite aprender sistemas dinámicos lineales a partir de datos de derivadas, preservando estabilidad y hermiticidad.
Análisis de Clústeres con Remuestreo para Validación y Exploración (CARVE)
Descubre CARVE, un paquete open-source que valida y explora clústeres mediante remuestreo, superando a índices clásicos en datos de alta dimensión.
Redes Neuronales Recurrentes Guiadas por Física para Predicción Multietapa
Descubre cómo las redes neuronales recurrentes guiadas por física mejoran la predicción multietapa, incluso con datos limitados y modelos imperfectos.
Auditoría espectral de redes de operadores en contexto
Descubre cómo la auditoría espectral revela fallos ocultos en operadores neuronales más allá del error de predicción, mejorando la fiabilidad en modelos de IA.
Síntesis de controladores neuronales con garantías de disipatividad
Aprende a sintetizar controladores neuronales con disipatividad garantizada. Maximiza recompensas en sistemas no lineales con estabilidad y ganancia L2.
Reacciona a sorpresas: Control neuronal estable con Youla-REN
El control neuronal Youla-REN garantiza estabilidad por diseño ante imprevistos. Ideal para entrenamiento con horizontes cortos y sistemas inciertos.
Relación señal-ruido no uniforme en REINFORCE
Descubre cómo la relación señal-ruido no uniforme en el estimador REINFORCE causa inestabilidad y colapso durante el entrenamiento en RL.
La firma entrópica de la especiación en modelos de difusión
Descubre cómo la entropía condicional de clases revela los momentos clave donde los modelos de difusión forman estructuras semánticas. Un nuevo enfoque para control temporal.
Inferencia robusta de heterogeneidad de riesgo en grupos desbalanceados
Descubre cómo un nuevo método robusto basado en Neyman ortogonalidad revela diferencias étnicas en riesgo de mortalidad en UCI que otros métodos no detectan.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
Optimización estable de políticas con convexidad de logits
Descubre cómo la convexidad de logits estabiliza la optimización de políticas en RL, superando la inestabilidad del PPO. Resultados probados en múltiples benchmarks.
Receta simple: Modelos VLA, aprendices continuos naturales con RL
El fine-tuning secuencial con LoRA vence a métodos CRL complejos en modelos VLA: alta plasticidad, sin olvido catastrófico.
CART: Transformer Recurrento Eficiente con Estabilidad Aprendida
CART es un transformer recurrente que reduce parámetros al reutilizar un bloque central. Con estabilidad aprendida vía puerta LTI, ofrece resultados competitivos en GPU de consumo.
Estabilidad en momento matricial ortogonalizado con muestreo de clientes
Estudio de estabilidad en generalización para optimización distribuida con momentos ortogonalizados y muestreo de clientes. Se derivan cotas finitas bajo heterogeneidad de datos.