VarEOT: Transporte Óptimo Entrópico sin MCMC
Descubre VarEOT: reformulación variacional del log-partición en EOT. Entrenamiento diferenciable sin MCMC, mejores resultados en traducción de imágenes.
#estocástico
Hamiltonianos supersimétricos y campos gauge no reversibles en Fokker-Planck
Optimiza la dinámica de Fokker-Planck con campos gauge no reversibles, Hamiltonianos supersimétricos y aprendizaje de fuerzas finitas mediante actor-critic.
DP-MacAdam: Mecanismo Diferencialmente Privado con Recorte y Momentum Adaptativos
Descubre DP-MacAdam, un mecanismo que combina recorte y momentum adaptativos para entrenar modelos con privacidad diferencial y mayor utilidad.
Tu GFlowNet aprende un plan de transporte óptimo en secreto
Investigación revela que los GFlowNets no acíclicos aprenden secretamente un plan de transporte óptimo en grafos usando flujos y redes neuronales. Descubre cómo optimizar el muestreo.
Optimización convexa estocástica descentralizada casi óptima en redes
Nuevo método descentralizado acelera la optimización convexa estocástica, logrando la tasa centralizada con más trabajadores. ¡Mejora el escalamiento en redes!
Estimadores de gradiente para inferencia de parámetros en modelos estocásticos
Descubre la comparativa de estimadores de gradiente (GS-ST, Score Function, Alternative Path) para inferencia en Gillespie SSA. Aplicado a sistemas biofísicos.
Nuevos aspectos de los formatos aritméticos IEEE P3109 para ML
Explora los formatos IEEE P3109 para ML: eficiencia, redondeo estocástico y operaciones sin excepciones. ¡Optimiza tus modelos!
Aprendizaje offline-online en bandidos lineales
Descubre cómo nuestro algoritmo combina datos offline y exploración online en bandidos lineales para minimizar el arrepentimiento. Resultados empíricos demuestran su eficacia.
¿Cuándo bastan menos coordenadas en DP-SGD?
Descubre cuándo es posible usar menos coordenadas en DP-SGD sin perder rendimiento. El método TP-TopK optimiza el entrenamiento privado reduciendo el ruido.
DPDL: Privacidad diferencial en aprendizaje descentralizado con datos no IID
DPDL protege tu privacidad en aprendizaje descentralizado con datos no IID mediante calibración y ruido gaussiano. Logra velocidad lineal y alta precisión.
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
Optimización estocástica descentralizada no convexa bajo suavidad (L0,L1)
Nuevo algoritmo DNSGD: optimización descentralizada no convexa con suavidad (L0,L1). Logra punto estacionario con menor complejidad. ¡Descúbrelo!
Recuperación parcial y consistencia débil en HSBM no uniforme
Descubre cómo un nuevo algoritmo espectral logra recuperación parcial y consistencia débil en el modelo HSBM no uniforme para detección de comunidades en hipergrafos.
Recuperación exacta en hipergrafos: modelo de bloques estocástico
Descubre cómo recuperar comunidades exactas en hipergrafos no uniformes con algoritmos óptimos. Un umbral preciso incluso si las capas individuales fallan.
Introducción a métodos de optimización para entrenar modelos SciML
Aprende cómo la física y los operadores diferenciales condicionan la optimización en SciML. Métodos de primer y segundo orden, aplicaciones prácticas y desafíos.
Bregman y Lévy: Descenso de espejo estocástico con ruido de cola pesada
¿Puede el descenso de espejo estocástico converger con ruido de cola pesada? Sí, usando procesos de Lévy. Optimización robusta para IA y cloud.
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!
AugMask: entrenamiento de modelos de difusión con datos tabulares incompletos
Descubre AugMask: entrena modelos de difusión en datos tabulares incompletos con aumento estocástico. Mejora la generación de datos.
Gradientes estocásticos bajo parámetros nuisance
Cómo los gradientes estocásticos convergen con parámetros nuisance. Ortogonalidad de Neyman y actualizaciones ortogonalizadas para optimización robusta.
Acoplamientos en difusiones de Langevin cinéticas
Nuevos acoplamientos no markovianos revelan cotas exactas de convergencia para difusiones de Langevin cinéticas, superando limitaciones previas en muestreo.