Cómo probar si un conjunto de datos es demasiado influyente
¿Pocos datos sesgan tus conclusiones? Detecta influencia excesiva con tests rigurosos basados en distribuciones extremas. Aplica en economía, biología y ML.
#gumbel
Aprendizaje de Estructura Causal Temporal con Optimización Diferenciable
Descubre un método de optimización diferenciable que aprende estructuras causales en series temporales de forma rápida y precisa, superando a 12 algoritmos.
Aprendizaje de Estructuras Causales Temporales vía Optimización Diferenciable
Nuevo método de optimización diferenciable descubre causas en series temporales, eliminando restricciones acíclicas.
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.
El grafo como regularización natural: revisitando la cuantización vectorial
Descubre cómo RGVQ evita el colapso del codebook en grafos usando regularización topológica y contrastiva para tokens más expresivos.
Alineación federada de preferencias con prior Gumbel-Softmax
Descubre FedVPA-GP: un nuevo marco de aprendizaje federado que personaliza modelos de lenguaje alineando preferencias de usuarios sin exponer datos, superando e
Máquina Gumbel: Generación contrafactual de escritura estudiantil mediante la dirección de ruido Gumbel
Generación contrafactual de escritura estudiantil con la Máquina Gumbel: técnica innovadora para analizar y mejorar la retroalimentación educativa