Inferencia bayesiana de difusiones con flujos normalizantes Neural Galerkin
Aprende cómo los flujos normalizantes Neural Galerkin permiten inferencia bayesiana eficiente en difusiones con fronteras inaccesibles.
#monte carlo
Incertidumbre post hoc a nivel de instancia en detección de objetos
MC-GLM cuantifica incertidumbre post hoc a nivel de instancia en detección de objetos para conducción autónoma. Sin reentrenamiento, eficiente y paralelizable.
Machine learning causal para efectos ambientales en viviendas
Descubre cómo los modelos de machine learning causal superan a la regresión tradicional para medir el impacto de mejoras ambientales en el precio de viviendas, según simulación Monte Carlo.
Principios de contracción global y local para mezcla MCMC
Descubre cómo los principios de contracción local y global aceleran la convergencia en algoritmos MCMC, con aplicaciones a Langevin y Metropolis-Hastings.
MCMC sin evaluar el objetivo: enfoque de variable auxiliar
Descubre cómo un nuevo marco unifica y mejora algoritmos MCMC usando variables auxiliares, sin necesidad de evaluar la distribución objetivo. Mejor rendimiento en datos sintéticos y reales.
RRISE: Inferencia Robusta de Radio mediante un Estimador Sustituto
¿Quieres certificar robustez en IA sin el coste del muestreo Monte Carlo? RRISE logra precisión comparable con solo un pase de red.
Pruebas secuenciales asintóticamente óptimas con datos markovianos
Descubre un método asintóticamente óptimo para pruebas secuenciales en cadenas de Markov. Mejora límites inferiores y aplicaciones en MCMC y MDPs.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Secuencias Neuronales de Baja Discrepancia
Descubre cómo NeuroLDS utiliza aprendizaje profundo para generar secuencias de baja discrepancia, superando métodos clásicos en integración numérica y robótica.
Generalización de los algoritmos Gibbs y Langevin Monte Carlo en el régimen de interpolación
Nuevas cotas de generalización para algoritmos Monte Carlo en el régimen de interpolación, con resultados en MNIST, CIFAR-10 y SVHN.
Reducción de Varianza del Punto Óptimo en Optimización Bayesiana
El método OVR reduce la varianza del punto óptimo en optimización bayesiana con garantía de arrepentimiento. ¡Descubre sus fundamentos!
U-Cast: Pronóstico meteorológico probabilístico simple y eficiente
U-Cast, modelo probabilístico, entrena en 12 días y genera ensamble en 3 segundos, superando a GenCast e IFS con 10x menos cómputo.
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.
Identificación de mejor acción con dos fidelidades en árboles minimax estocásticos
Descubre cómo el algoritmo 2FFS reduce costos computacionales al combinar evaluaciones rápidas y precisas para identificar la mejor acción en árboles minimax estocásticos.
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.
Monte Carlo secuencial reforzado para muestreo amortizado
Descubre cómo el Monte Carlo secuencial reforzado mejora el muestreo amortizado de distribuciones complejas. Entrenamiento off-policy y temperado adaptativo para mayor precisión.
Muestreo inicial con temple paralelo para alineación de recompensas en inferencia
PATHS: temple paralelo para muestreo inicial en alineación de recompensas. Evita modas locales y explora regiones raras de alta recompensa en modelos generativos.
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.
Caminata verdadera auto-evitativa para acelerar integración MCMC
Descubre cómo la caminata verdadera auto-evitativa reduce el error de estimación integral en MCMC de t^-1/2 a O(√log t/t), acelerando la convergencia.
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.