Aprendizaje en línea para control supervisado de conmutación
Aprende cómo el aprendizaje en línea y bandidos multibrazo identifican controladores en sistemas lineales con garantías finitas y detectan inestabilidad.
#lineal
Dinámicas de integración en RNN lineales
Aprende cómo las RNN lineales adquieren la capacidad de integrar ruido blanco, revelando la dinámica de autovalores que posibilita la memoria a largo plazo. Clave para IA y neurociencia.
Generalización en Mínimos Cuadrados No Lineales vía Geometría Aprendida
Aprende cómo la geometría de características aprendidas mejora la generalización en mínimos cuadrados no lineales, reduciendo la dependencia de parámetros.
Bandits Multi-Brazo con Nuevos Brazos: Arrepentimiento Dinámico
Optimiza experimentos con llegada de nuevas opciones: el algoritmo UCB-AA ofrece arrepentimiento dinámico sublineal y reduce desperdicio de recursos.
Estabilizadores Universales Inverso-Óptimos Parametrizados por Costo de Control
Descubre cómo nuevas familias de estabilizadores universales parametrizan el costo de control usando operadores neuronales para estabilización semiglobal.
Ahora me ves: Detectando esteganografía evasiva en LLMs
Los LLMs pueden ocultar secretos mediante esteganografía. La detección con sondas lineales se evade, pero se restaura con recontextualización.
Selección adaptativa de prior en bandidos Gaussianos con Thompson
Descubre cómo seleccionar adaptativamente el prior en bandidos de procesos Gaussianos con Thompson Sampling. Dos algoritmos innovadores: PE-GP-TS y HP-GP-TS par
SpectraLDS: Destilación Comprobable para Sistemas Dinámicos Lineales
Conoce SpectraLDS: destilación comprobable para sistemas dinámicos lineales con inferencia constante en tiempo y espacio, ideal para modelado de lenguaje.
Tasa robusta O(1/√T) para aprendizaje TD sin proyección
Descubre cómo el algoritmo TD(0) sin proyección logra una tasa de convergencia sublineal robusta, incluso con ruido markoviano. Una mejora clave para el RL.
Redes de Tensores en Árbol Profundo
Deep Tree Tensor Network (DTTN): una arquitectura que captura interacciones de orden exponencial y supera a métodos actuales en reconocimiento de imágenes.
Alcance y asintótica de la dinámica Gaussiana en Transformers
Descubre cómo las distribuciones Gaussianas en Transformers simplifican su dinámica y revelan condiciones de estabilidad y alcanzabilidad.
Detrás de la pantalla: bajo el capó de la IA
Descubre lo que hay bajo el capó de la IA: infraestructura, álgebra y datos. Análisis técnico para desarrolladores IT.
Correlación geométrica de segundo orden para reconocer emociones en habla
Reconocimiento de emociones en habla con correlación geométrica de segundo orden. Aprendizaje auto-supervisado preserva geometría de características.
Redes residuales de unidades de producto para interacciones no lineales
Descubre PURe: redes residuales que modelan interacciones no lineales, mejoran robustez y eficiencia en datos reducidos, y ofrecen interpretabilidad con SHAP.
E2Former-V2: Atención Equivariante en Tiempo Real con Memoria Lineal
Descubre cómo E2Former-V2 acelera 20x la atención equivariante en redes neuronales de grafos usando un kernel Triton optimizado para GPUs.
Expertos lineales diminutos con activación dispersa
Descubre cómo sgatlin, expertos lineales diminutos con activación dispersa, mejora la eficiencia y la interpretabilidad de los modelos transformer. Una nueva vía hacia IA más comprensible.
LiQSS: Redes tensoriales cuánticas lineales para previsión en 6G en tiempo real
Descubre LiQSS, un modelo post-Transformer de redes tensoriales cuánticas que reduce parámetros y acelera la predicción en 6G sin perder precisión. Ideal para O-RAN en tiempo real.
Etiquetas duras de objetivos dispersos engañan algoritmos invariantes a rotación
Las etiquetas duras de objetivos dispersos hacen fallar a algoritmos invariantes a rotación. Conoce cómo evitarlo en regresión logística.
Aprendizaje de sistemas dinámicos no lineales controlados de alta dimensión (I)
Descubre cómo las neural ODEs unifican modelos dinámicos y deep learning, con teoría de campos medios para entrenamiento en alta dimensión.
Diversidad de tareas y aprendizaje en contexto en subespacios
Descubre cómo la diversidad de tareas de entrenamiento mejora el aprendizaje en contexto en transformers lineales. Un análisis teórico con subespacios de baja dimensión.