Análisis de series temporales en machine learning
Descubre cómo aplicar técnicas de machine learning a series temporales: desde modelos clásicos ARIMA hasta deep learning con transformers. Ejemplos en astronomía, finanzas y más.
#estacionariedad
¿Importa la normalización en modelos causales grandes de series temporales?
Evaluamos el impacto de distintas normalizaciones en modelos causales de series temporales con transformers. Resultados clave para forecasting.
Aprendizaje por refuerzo profundo estable con representaciones gaussianas isotrópicas
Descubre cómo las representaciones gaussianas isotrópicas mejoran la estabilidad en aprendizaje por refuerzo profundo, reduciendo colapso de representación y neuronas inactivas.
Alineación adaptativa de estados oscilatorios para pronóstico temporal
Descubre AOSNET, un método que alinea estados oscilatorios para predecir series temporales con alta precisión incluso en datos no estacionarios.
Posición: El aprendizaje por refuerzo desplegado debe ser continuo
¿Por qué los agentes de RL desplegados deben aprender continuamente? Descubre las razones y ventajas frente al modelo entrenar-luego-arreglar.
SARAF: Predicción de series temporales con recuperación estacionaria
SARAF mejora precisión y robustez en pronósticos de series temporales no estacionarias, equilibrando relevancia y diversidad en la recuperación.
La superinteligencia solipsista no será cooperativa
La superinteligencia solipsista no será cooperativa. El diseño actual de IA genera una brecha entre entrenamiento y despliegue. Conoce el nuevo paradigma de coexistencia.
DRAN: Red Adaptativa de Distribución y Relaciones Espacio-Temporales
DRAN se adapta dinámicamente a cambios en distribuciones y relaciones espacio-temporales, superando métodos tradicionales en predicción de tráfico y clima. ¡Mejora tus pronósticos!
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.
Un marco unificado para la agregación de gradientes en optimización multiobjetivo
Descubre un marco teórico que unifica los algoritmos de agregación de gradientes para optimización multiobjetivo, con nuevas garantías de convergencia y aplicac