TN-SHAP-G: Red tensorial para Shapley en gráficos
Descubre TN-SHAP-G: calcula valores Shapley en gráficos usando redes de tensores, sin Monte Carlo. Explicabilidad eficiente para modelos complejos.
#lineal
Inferencia Bayesiana de Malaria en Ghana: Dinámica No Lineal
Modelo bayesiano con MCMC logra R²=0.9958 y pronostica repunte de malaria en Ghana para 2024-2026. Herramienta para decisiones basadas en datos.
MLLM-Microscope: Desvelando la Estructura Interna de los MLLMs
Descubre cómo MLLM-Microscope analiza las representaciones internas de los MLLMs, revelando linealidad, dimensión y anisotropía para mejorar el diseño futuro.
S3TS: Búsqueda estructurada por escenarios para planificación bajo incertidumbre
Descubre S3TS, un algoritmo que combina escenarios estocásticos y búsqueda estructurada para planificar bajo incertidumbre. Reduce costes hasta un 51% en sistemas energéticos no lineales.
Cuando los LLMs aprenden a equivocarse: estudio multi-modelo de engaño sintético
Descubre cómo los modelos de lenguaje aprenden a ser deshonestos y cómo detectarlo con representaciones lineales. Estudio multimodelo revela patrones.
Selección Activa de Tiempos para Aprender Trayectorias de Medidas
Descubre cómo seleccionar los mejores tiempos de medición usando aprendizaje activo y procesos gaussianos para reducir costos en biología unicelular.
Redes Residuales de Memoria de Reservorio
Descubre las Redes Residuales de Memoria de Reservorio (ResRMN), una nueva clase de RNN no entrenadas que mejoran la propagación temporal mediante conexiones residuales ortogonales.
Convergencia lineal local en mezclas gaussianas sobreparametrizadas
Descubre cómo los métodos de gradiente logran convergencia lineal en mezclas gaussianas sobreparametrizadas, superando la lentitud tradicional. Leer más.
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.
Convergencia de aproximaciones bi-escala markovianas en RL
Descubre cómo se demuestra la convergencia de algoritmos bi-escala bajo ruido markoviano, un avance clave para el aprendizaje por refuerzo off-policy.
Funciones de valor como certificados de supermartingala
Descubre cómo las funciones de valor en RL sirven como certificados de supermartingala para garantizar propiedades en sistemas estocásticos. ¡Una conexión teórica revolucionaria!
¿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.
Memoria por Diseño: Capas de Secuencia Probabilísticas
Descubre cómo las capas probabilísticas bayesianas mejoran la memoria en modelos de secuencias, reduciendo incertidumbre y aumentando robustez más allá del entrenamiento.
Red neuronal holomorfa para problemas de contorno 3D con potenciales armónicos
Redes neuronales holomorfas resuelven problemas de contorno 3D sin residuos internos. Validado en Laplace y elasticidad.
Garantías mejoradas para Langevin Monte Carlo con suavidad promedio
Descubre cómo la suavidad promedio mejora las garantías de Langevin Monte Carlo. Aplicaciones en IA y modelos lineales.
Flujos generativos con operadores Koopman: linealización preservando trayectorias
Descubre cómo los operadores Koopman linealizan flujos generativos, permitiendo muestreo instantáneo y control espectral de trayectorias. Ideal para IA generativa.
El decaimiento de peso mejora la plasticidad de modelos de lenguaje
Descubre cómo un mayor weight decay durante el preentrenamiento puede mejorar la plasticidad de los LLM, generando mejor rendimiento tras el fine-tuning.
Geometría de la información de Softmax: Sondas y dirección
Explora la geometría informacional en softmax para entender la codificación semántica en IA. Dirección dual: controla conceptos con precisión.
DisjunctiveNet: Aprendizaje simbólico neuronal con optimización convexa
DisjunctiveNet unifica redes neuronales y optimización convexa para cumplir reglas lógicas exactas en ciencia e ingeniería con datos escasos.
El mecanismo de mezcla rápida para privacidad diferencial
Conoce el mecanismo de mezcla rápida para privacidad diferencial que acelera la regresión lineal sin comprometer precisión. ¡Ideal para datos sensibles!