Modelos Autorregresivos Lineales de Dos Capas Estiman Estados Latentes
Descubre cómo los modelos autorregresivos de dos capas estiman estados latentes imitando el filtrado de Kalman. Con resultados teóricos.
#lineal
Previsión simultánea escalable mediante estimación del equilibrio
Descubre cómo ESE acelera pronósticos hasta 70x. Preciso, escalable y robusto para economía, salud, y más.
¿Es útil la invarianza causal para adaptación de dominio con muestras finitas?
Descubre cómo la invarianza causal mejora la adaptación de dominio con pocos datos. Un estudio sobre regresión lineal y márgenes de riesgo.
Solvers eficientes para SLOPE en R, Python, Julia y C++
Implementaciones eficientes de SLOPE en R, Python, Julia y C++. Algoritmo híbrido de descenso coordenado para GLM. Benchmarks muestran rendimiento superior. ¡Descúbrelo!
Optimización distribuida con métodos primal-dual cuantizados
Descubre q-PDGD, un método primal-dual cuantizado que logra convergencia lineal en optimización distribuida con gradientes estocásticos y comunicación de bits limitados.
¿Creen los modelos lo que dicen al rolear?
Un estudio revela que al rolear, los LLMs cambian lo que dicen pero no su representación interna. La desalineación emergente sí altera las creencias.
Control jerárquico y codiseño de topología para sistemas en red robustos
Descubre cómo el control jerárquico y el codiseño de topología mejoran la robustez de sistemas en red, aplicado a microrredes DC con enfoques basados en modelos y datos.
Capas lineales compuestas desde irreducibles
Descubre cómo descomponer capas lineales en primitivas geométricas usando álgebra de Clifford, reduciendo parámetros de O(d²) a O(log²d) sin perder rendimiento.
Atención Lineal Kalman: Filtrado Bayesiano Paralelo para Lenguaje
Descubre KLA: Atención Lineal de Kalman, un filtrado bayesiano paralelo que supera a Mamba y GLA en modelos de lenguaje.
Momentum LMS: estabilidad, seguimiento y arrepentimiento en streaming
Conoce cómo el algoritmo MLMS garantiza estabilidad y bajo arrepentimiento en datos no estacionarios, perfecto para streaming.
Descubrimiento e inferencia no lineal en epidemiología con RuleSHAP
Descubre cómo RuleSHAP combina regresión bayesiana y valores Shapley para detectar efectos no lineales en datos epidemiológicos con incertidumbre cuantificada.
Estimación de densidad Hellinger con distancia mínima: mezclas gaussianas y más
Descubre cómo el estimador de distancia mínima con Hellinger logra estimar densidades en tiempo casi lineal para mezclas gaussianas y log-cóncavas. ¡Lee más!
Formulación integral de QENDy para identificación robusta de sistemas no lineales
Descubre la formulación integral de QENDy que elimina las derivadas temporales, logrando identificación robusta de sistemas no lineales frente al ruido.
Estimación online con Lasso renovable y gradientes mejorados
Descubre cómo el enfoque de gradiente mejorado elimina las restricciones de lotes en el Lasso renovable para alta dimensionalidad. Resultados precisos con datos en streaming.
Transiciones de fase en atención: teoría bayesiana de emergencia de copia
Descubre cómo la teoría bayesiana explica la aparición abrupta de patrones de copia en la atención de transformers. Un estudio sobre transiciones de fase.
Estructura de exploración en agentes LLM para cambios multiarchivo
Exploración paralela por dominio en agentes LLM supera a la lineal en localización de cambios multiarchivo. Resultados en SWE-bench.
Atención de Ventana Borrosa: eficiencia en contextos largos
Descubre Blurry Window Attention (BLA), un método innovador que mejora la eficiencia en atención de transformers para contextos largos, superando limitaciones de cuadrático y memoria.
Atención Lineal Dinámica: Optimizando LLMs para Contextos Largos
DLA optimiza la atención en LLMs fusionando estados dinámicamente, reduciendo errores y manteniendo rendimiento en contextos largos.
Actualizaciones de objetivo duro promediadas geométricamente para Q-learning lineal
Descubre cómo el promedio geométrico de actualizaciones de objetivo duro estabiliza el Q-learning lineal. Un nuevo enfoque para mejorar el aprendizaje por refuerzo.
Recuperables pero no estacionarias: estructuras lineales locales
Estructuras lineales locales en pesos y activaciones son recuperables pero evolucionan rápido, desafiando direcciones de tarea fijas. Estudio con GPT-2 y LoRA.