Un marco general para árboles de decisión mediante divergencias de Bregman
Descubre cómo generalizar los árboles CART usando divergencias de Bregman. Un marco unificado para clasificación y regresión con fundamentos convexos.
#funciones de pérdida
Aprendizaje federado semidescentralizado sin servidor con optimizadores variados
Descubre SSD-FL: aprendizaje federado semidescentralizado sin servidores que mejora convergencia y eficiencia con optimizadores heterogéneos.
Aprendizaje resistente a ruido de etiquetas con OBD
Descubre cómo el enmascaramiento OBD intercepta gradientes ruidosos y mejora la robustez ante etiquetas erróneas. Resultados superiores en benchmarks.