Espacios de Transporte Ordenado Aleatorio Condicional
Descubre cómo CROTS revoluciona el aprendizaje distribuido al medir la admisibilidad entre distribuciones con restricciones de orden y evidencia.
#estocástico
Dimensión fractal de Fourier para predecir la generalización de redes neuronales
Aprende cómo la dimensión fractal de Fourier predice la generalización de redes neuronales sin datos de validación. Nueva métrica basada en frecuencia.
Mejora en el análisis de convergencia de topología en SGD descentralizado
Descubre cómo un nuevo análisis de convergencia revela el verdadero impacto de la topología de red en el rendimiento del SGD descentralizado. Te sorprenderá.
Descomposición en volumen y frontera de redes neuronales
Descubre cómo la descomposición bulk-boundary revela dinámica intrínseca y estocástica de redes neuronales, con ecuación de continuidad de energía.
Transición de fase en LLMs y criticalidad del lenguaje natural
Descubre cómo los LLMs muestran una transición de fase al variar la temperatura, generando textos con patrones de ley de potencia como el lenguaje natural.
GD completo supera a SGD de una pasada en aprendizaje de índice único
¡Descubre cómo el GD completo supera al SGD de una pasada! Logra recuperación con menos muestras en aprendizaje de índice único.
Inferencia semiparamétrica para procesos puntuales doblemente estocásticos
Método de inferencia semiparamétrica para procesos puntuales espaciales. Eficiente, sin supuestos restrictivos, mejor predicción en criminalidad.
56 optimizadores puestos a prueba en inferencia variacional
Descubre la comparativa de 56 optimizadores para inferencia variacional. Más de 550,000 ejecuciones revelan los mejores sin ajuste manual.
Complejidad puntual en campos gaussianos: envolventes, cotas y separación
Un nuevo teorema de envolventes para campos gaussianos que ofrece cotas inferiores algorítmicas y separación, clave para modelos sobreparametrizados en IA y ciberseguridad.
OptMuon: Momento Ortogonalizado en Bucle Cerrado para Optimización Estocástica
Descubre OptMuon, optimizador con momento ortogonalizado y control adaptativo en bucle cerrado. Logra tasas óptimas incluso sin ruido. Ideal deep learning.
SVRG y más allá mediante corrección posterior
Descubre cómo SVRG se relaciona con la corrección posterior bayesiana para acelerar el entrenamiento. Nuevas extensiones tipo Newton y Adam optimizan tu modelo.
Capturando dinámicas no Markovianas en sistemas estocásticos con flow matching
Aprende cómo el flow matching modela dinámicas no Markovianas en sistemas estocásticos, mejorando simulaciones de partículas brownianas.
Estabilidad y error de generalización de GD y SGD con parámetros de punto fijo
El redondeo determinista perjudica la generalización de GD y SGD; el estocástico introduce dependencia dimensional inesperada.
Más allá de los regímenes lineales: Autoencoders con cuello de botella
Descubre cómo el análisis de campo medio explica el entrenamiento de autoencoders no lineales con cuello de botella y su convergencia al óptimo.
Interpolación de Kernel de Segundo Orden en Machine Learning
Descubre las fórmulas de interpolación de kernel de segundo orden: incorporan curvatura, ruido de gradiente estocástico y momentum para mejorar predicciones en ML.
Gradiente Descendente Estocástico Descentralizado Acelerado
MG-ADSGD acelera la optimización descentralizada con comunicación eficiente, logrando la mejor complejidad comunicacional para problemas fuertemente convexos.
Aprendizaje de sistemas dinámicos no lineales controlados de alta dimensión (I)
Descubre cómo las neural ODEs unifican modelos dinámicos y deep learning, con teoría de campos medios para entrenamiento en alta dimensión.
Descubrimiento y muestreo cuántico de eventos raros
Descubre cómo un algoritmo cuántico detecta y muestrea eventos raros con aceleración cuadrática, clave para prevenir crisis financieras y fallos en IA.
Envolventes deterministas para SGLD domesticado: reduciendo sesgo
Descubre cómo las envolventes deterministas corrigen el sesgo en SGLD domesticado, mejorando la estabilidad sin distorsionar el gradiente.
EVILL: exploración eficaz en bandidos con perturbación lineal
Descubre EVILL, un revolucionario método de exploración para bandidos estocásticos. A diferencia de PHE, usa perturbaciones lineales en la pérdida para lograr mejores resultados. Ideal para IA.