Aprendizaje profundo bilevel para control óptimo de obstáculos
Método S2-FOBA: aprendizaje profundo bilevel de un solo bucle para control óptimo de obstáculos. Eficiente, sin malla y escalable a dominios complejos.
#estocástica
Rex: Familia de solvers Runge-Kutta exponenciales reversibles
Descubre Rex: solvers reversibles para ODE/SDE con precisión casi de máquina en generación y edición de imágenes.
Guía del autoestopista: estimación de gradientes Poisson
Descubre cómo estimar gradientes Poisson sin sesgo con el método EAT modificado. Comparativa con Gumbel-Softmax para VAEs y modelos de inferencia neuronal.
Modelos de Markov Neuronales Inspeccionables para Series No Estacionarias
Modelos de Markov neuronales inspeccionables mejoran predicción de series no estacionarias. Reducción del 5.6% en discrepancia. ¡Descubre cómo!
Cómo ampliar el aprendizaje centrado en decisiones con estimación de gradiente
Nuevo método basado en función de puntuación amplía el aprendizaje centrado en decisiones a problemas con incertidumbre en restricciones.
Optimización estocástica riemanniana para reducción suficiente de dimensión
Aprende cómo SMAVE optimiza la reducción de dimensionalidad con gradiente riemanniano estocástico, superando a RMAVE en velocidad y precisión.
Límites de error para un estimador de deriva basado en modelos de difusión
Analizamos las cotas de error teóricas de un estimador de deriva basado en modelos de difusión, descomponiendo el riesgo en discretización, aproximación de score, inicialización y varianza.
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.
Inferencia de heterogeneidad en partículas con Langevin de segundo orden
Aprende cómo un enfoque de máxima verosimilitud permite inferir heterogeneidad poblacional y modelos dinámicos desde trayectorias estocásticas de partículas.
Ajuste dinámico de entropía en control de drones con RL
El ajuste dinámico de entropía en RL mejora el control de drones, evitando olvido catastrófico y optimizando la exploración. Comparativa SAC vs TD3.
Preferencia paradójica por el ruido en RNN
Descubre por qué las RNN entrenadas con ruido funcionan mejor con ese mismo ruido. Un análisis sorprendente de la dinámica estocástica.
CRMA: Backbone con límite espectral para ajuste fino continuo de LLMs
Descubre CRMA: ajuste fino secuencial de LLMs sin olvido catastrófico, mejorando rendimiento en tareas previas. Sin buffers, sin destilación.
Mapas de Flujo Estocásticos Fuertes
Descubre cómo los Strong Stochastic Flow Maps revolucionan el muestreo en modelos de difusión, permitiendo generar imágenes y simular sistemas moleculares en pocos pasos.
Límites inferiores teóricos para optimización estocástica con bits limitados
Descubre cómo los límites informacionales afectan la optimización estocástica con gradientes de baja precisión: reducción a estimación gaussiana.
Más allá de la manipulación independiente: clasificación justa con imitación entre pares
Descubre cómo la clasificación estratégica con equidad individual maneja la imitación entre agentes, mejorando la consistencia y mitigando distorsiones con un enfoque robusto.
Convergencia de aproximaciones bi-escala markovianas en RL
Descubre cómo se demuestra la convergencia de algoritmos bi-escala bajo ruido markoviano, un avance clave para el aprendizaje por refuerzo off-policy.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo el marco de Lyapunov permite analizar la convergencia en tiempo finito de algoritmos estocásticos como Q-learning y SGD. Ideal para IA y RL.
Convergencia no asintótica de algoritmos estocásticos: marco de Lyapunov
Descubre cómo las funciones de Lyapunov permiten analizar la convergencia finita de algoritmos estocásticos en aprendizaje automático y refuerzo.
Convergencia global CES: límites de campo medio a concentración semiclásica
La CES logra convergencia global en optimización estocástica mediante límites de campo medio y concentración semiclásica, superando colapsos de varianza.
Garantías mejoradas para Langevin Monte Carlo con suavidad promedio
Descubre cómo la suavidad promedio mejora las garantías de Langevin Monte Carlo. Aplicaciones en IA y modelos lineales.