Optimización Estocástica Eficiente mediante Monte Carlo Secuencial
Descubre cómo el Monte Carlo Secuencial optimiza funciones con gradientes intratables, reduciendo costos computacionales y mejorando la eficiencia en machine learning y estadística.
#monte carlo
LatticeBridge: Inferencia de Eventos Raros para Síntesis Fiel de Secuencias
Descubre cómo LatticeBridge mejora la síntesis de secuencias estructuradas con inferencia de eventos raros y decodificación SMC para alta fidelidad.
Convergencia de la iteración optimista Monte Carlo: más allá de la uniformidad
Descubre cómo la iteración optimista Monte Carlo converge a la optimalidad con actualizaciones uniformes solo por acción. Un avance clave.
Asimilación de datos con difusión latente: Kalman vs Monte Carlo
Los métodos Monte Carlo (MCMC y SMC) superan a los ensemble-Kalman en asimilación de datos geológicos 3D, logrando mayor reducción de incertidumbre.
Cuantificando éxito estudiantil con IA generativa: simulación Monte Carlo
Descubre cómo la simulación Monte Carlo cuantifica la percepción del éxito estudiantil al usar IA generativa. Un estudio reproducible y basado en datos.
RetroReasoner: modelo razonador para retrosíntesis estratégica
RetroReasoner es un LLM que predice retrosíntesis con razonamiento estratégico. Usa aprendizaje por refuerzo y búsqueda Monte Carlo, superando a otros modelos en rutas sintéticas.
Búsqueda en árbol a nivel de segmentos para resumir reuniones extensas
Descubre S3: búsqueda en árbol por segmentos para resumir reuniones largas con un modelo 7B, comparable a modelos 72B.
Modelado de políticas con LLM consciente de incertidumbre para RL con recompensas escasas
Descubre ULPS: un marco que integra LLM calibrados en RL para mejorar la eficiencia en entornos con recompensas escasas. Resultados prometedores en MiniGrid.
α-PFN: Búsqueda rápida de entropía mediante aprendizaje en contexto
Aprende cómo α-PFN acelera la búsqueda de entropía en optimización bayesiana con aprendizaje contextual, logrando 50x más velocidad sin sacrificar precisión.
OpenACMv2: Marco para DCiM aproximada con restricción de precisión
OpenACMv2 reduce el consumo energético hasta un 50% mediante co-optimización de arquitectura y transistores para DCiM aproximada. Descubre cómo.
Homotopía Gaussiana Probabilística: continuación para optimización no convexa
PGH es un marco de continuación probabilístico que sesga gradientes hacia mínimos globales en optimización no convexa. Ideal para IA y datos dispersos.
RREDCoT: Redistribución Segmentada de Recompensas para Razonamiento
Descubre cómo RREDCoT redistribuye recompensas en segmentos de cadenas de pensamiento para reducir la varianza y mejorar el aprendizaje por refuerzo en modelos de razonamiento.
Operadores de Monte Carlo Steklov para procesamiento geométrico a gran escala
Descubre cómo los operadores Monte Carlo Steklov permiten procesar geometría a gran escala, incluso con mallas imperfectas. Aplica en 450k formas 3D.
Operadores Monte Carlo Steklov para geometría a gran escala
Un nuevo método Monte Carlo para estimar operadores volumétricos acelera el procesamiento de geometría 3D, robusto ante mallas de baja calidad y múltiples componentes.
Representaciones causales discretas en dominios heterogéneos: enfoque bayesiano
Descubre cómo la inferencia bayesiana aprende representaciones causales discretas a partir de encuestas sociales en distintos dominios.
Agentic Monte Carlo: Aprendizaje por Refuerzo en Agentes Caja Negra
Optimiza agentes LLM de caja negra sin entrenarlos. Agentic Monte Carlo supera a GRPO. Aprende inferencia bayesiana.
Inferencia Bayesiana Semiparamétrica en Diferencias en Diferencias
Nuevos métodos bayesianos semiparamétricos para diferencias en diferencias. Regresión con procesos gaussianos y doblemente robusto con validez frecuentista.
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.
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.