Inferencia Bayesiana Escalable para Leyes de Conservación No Lineales
Aprende cómo la inferencia bayesiana escalable con procesos gaussianos resuelve problemas inversos en segundos, superando a métodos de deep learning.
#incertidumbre
Predicción de vida útil restante bifurcada: enfoque híbrido
Descubre cómo un enfoque híbrido bifurcado predice la vida útil de motores turbofán, caracterizando incertidumbres realistas para mantenimiento inteligente.
Brecha de consistencia dinámico-probabilística en modelado sustituto caótico
La brecha de consistencia dinámico-probabilística en modelos caóticos se resuelve con KAFFEE. Un marco de filtro de Kalman mejora la predicción.
¿Es suficiente la última capa para cuantificar la incertidumbre?
Descubre por qué la linearización de la última capa ofrece una cuantificación de incertidumbre comparable a la de toda la red, con mucha mayor eficiencia computacional. Estudio teórico y empírico.
No me engañes dos veces: Robots que aprenden de la adversidad en entornos reales
Aprendizaje continuo con modelos de lenguaje y visión permite a robots aprender de adversidades en entornos reales para mejorar predicción y planificación.
Enrutamiento Variacional: Marco Bayesiano Escalable para Transformers MoE
Descubre VMoER, un marco bayesiano que mejora la incertidumbre en MoE con un 94% menos error y solo 1% más de FLOPs.
Predicción de enfermedades infecciosas con grafos estocásticos espacio-temporales
Descubre cómo un nuevo modelo de grafos estocásticos espacio-temporales logra predecir con precisión brotes de COVID-19 y varicela a nivel nacional.
DUAL: Marco eficiente y consciente de incertidumbre para RL offline-online
Descubre el marco DUAL que optimiza el aprendizaje por refuerzo offline a online, mejorando el rendimiento mediante cuantificación de incertidumbre.
AbstainGNN: Enseñando a las GNN a abstenerse en clasificación de grafos
AbstainGNN enseña a las GNN a abstenerse en clasificación de grafos, mejorando la fiabilidad. Descubre su teoría PAC-Bayesiana y resultados.
El Fine-Tuning Mejora la Transmisión de Información en Modelos de Lenguaje
El fine-tuning reorganiza la incertidumbre en modelos de lenguaje, mejorando la transmisión de información. Descubre la métrica Canopy Entropy.
Softmax Recocido Greedy en Bandidos Bayesianos de Muchos Brazos
Softmax Recocido logra arrepentimiento casi óptimo en bandidos Bayesianos, explicando por qué GRPO funciona sin incertidumbre explícita.
TARIC: VLN exterior con memoria aumentada y transitabilidad
Descubre TARIC, navegación exterior VLN que supera interrupciones semánticas con memoria 3D y transitabilidad. Mejora tasa de éxito real al 40% vs 17.5%.
Aprendizaje por transferencia consciente de la incertidumbre para el pronóstico de energía entre edificios: hacia una gestión de energía a nivel de distrito robusta y escalable
Aprendizaje por transferencia consciente de la incertidumbre para pronóstico energético entre edificios. Gestión robusta a nivel de distrito que optimiza el consumo y la eficiencia.
Optimización de Política Certificada para Bandidos Causales Anidados mediante Riesgo PAC-Bayes
Políticas certificadas optimizadas en bandidos causales anidados con PAC-Bayes. Enfoque avanzado con garantías teóricas para aprendizaje por refuerzo.
Aprendizaje por refuerzo con auto-juego bajo información imperfecta en Big 2
Aprendizaje por refuerzo y auto-juego en Big 2 con información imperfecta. Optimiza estrategias en juegos de cartas con técnicas avanzadas de IA.
Conf-Gen: Cuantificación de Incertidumbre Conformal para Modelos Generativos
Explora la cuantificación de incertidumbre conformal en modelos generativos: mejora la fiabilidad, aprende métodos y aplicaciones clave.
EviLink: Vinculación de Esquemas de Múltiples Rutas con Adquisición de Evidencia Guiada por Incertidumbre para Texto a SQL a Gran Escala
<meta name=description content=EviLink: vinculación de esquemas multi-ruta guiada por incertidumbre para texto a SQL a gran escala. Mejora la precisión en consultas complejas.>
Estimación de Varianza Cooperativa y Redes Neuronales Bayesianas para Desentrañar Incertidumbres Aleatorias y Epistémicas
Redes Bayesianas y Varianza Cooperativa son clave para desentrañar incertidumbres en datos complejos. Descubre cómo aplicarlas.
Asignación libre de envidia de bienes indivisibles mediante consultas ruidosas
Descubre cómo lograr una asignación equitativa y sin envidia de bienes indivisibles incluso con consultas ruidosas. Un enfoque innovador para la justicia distributiva.
SCoOP: Agregación de Opiniones con Consistencia Semántica para la Cuantificación de Incertidumbre en Sistemas con Múltiples Modelos de Visión y Lenguaje
Descubre SCoOP, la agregación semántica de opiniones que cuantifica incertidumbre en sistemas multi-modelo. Optimiza la toma de decisiones con mayor precisión.