WOMBET: Transferencia de experiencia basada en modelos mundiales
Descubre WOMBET, método de aprendizaje por refuerzo que mejora eficiencia y robustez mediante transferencia de experiencia basada en modelos mundiales.
#muestra
¿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.
Inferencia válida con datos sintéticos mediante intercambiabilidad de tareas
¿Cómo usar datos sintéticos sin sesgos? Descubre la intercambiabilidad de tareas, un nuevo método para inferencias válidas en investigación científica con IA.
¿Costo por muestra? Prueba el costo por intento
Descubre cómo el costo por muestra oculta un 25% de desperdicio en GPU. Aprende a medir el costo por intento y optimiza tu infraestructura genómica.
Descomposición Informacional para Aprendizaje de Interacciones Multimodales
Descubre cómo DMIL descompone las interacciones multimodales para un aprendizaje más preciso y adaptativo. Un enfoque innovador basado en teoría de la información.
Políticas de difusión multiagente online eficientes
Descubre OMAD: nuevo framework de MARL online que usa políticas de difusión para mejorar la eficiencia muestral hasta 5x.
Difusión para coordinar políticas multiagente en línea
Descubre OMAD, el primer marco MARL en línea con políticas de difusión que mejora 2.5x a 5x la eficiencia de muestras en tareas multiagente.
¿Importa la pregunta? Selección datos sin entrenamiento para SFT visión-lenguaje
Descubre CVS: método sin entrenamiento para seleccionar datos de SFT visión-lenguaje, mejorando rendimiento un 4.8% con solo 15% de datos.
RL offline logra planificación efectiva con soluciones aleatorias
CDQAC: RL offline que aprende planificación efectiva incluso de soluciones aleatorias, superando heurísticas complejas con mínimos datos.
SwiftCTS: Optimización Pareto de Clock Tree con Calibración Few-Shot
SwiftCTS entrena en segundos, predice en milisegundos y reduce errores de potencia y cableado a <1% con calibración de pocas corridas. Optimiza Pareto.
Bosques aleatorios proyectados y predicción conforme para datos circulares
Bosques aleatorios proyectados y predicción conforme generan conjuntos adaptativos para datos circulares con garantías de cobertura. ¡Descubre su eficiencia!
Calibración de la Robustez en Decisiones mediante Control de Riesgo Conformal Inverso
Aprende a calibrar la robustez en tus decisiones con garantías de muestra finita mediante control de riesgo conforme inverso. Optimiza el equilibrio entre coste y riesgo.
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!
Aprendizaje Cuántico Occam: Expresibilidad con Muestras para Circuitos Cuánticos
El aprendizaje cuántico de Occam revela cómo la complejidad de circuitos se convierte en un recurso estadístico. Aprende a seleccionar modelos con pocas muestras.
ATLAS: Aprendizaje Activo de Teorías para Ciencia Automatizada
Descubre cómo ATLAS diseña experimentos para modelos mecanicistas interpretables, con 5-10x más eficiencia muestral. Ideal para ciencia automatizada.
LLMs abiertos como prior estructural para sintonía de controladores MIMO
LLMs open-source mejoran sintonía de controladores MIMO acoplados: mayor eficiencia e interpretabilidad en procesos industriales.
¿Red más profunda o más ancha? Error de generalización óptimo
¿Red más profunda o ancha? Descubre cómo datos, parámetros y regularidad determinan la arquitectura óptima. Aplicación en PDEs con deep Ritz y PINN.
Modelos de difusión rompen la maldición de la dimensionalidad
Los modelos de difusión superan la maldición de la dimensionalidad aprendiendo distribuciones de baja dimensión con pocas muestras. Clave para IA generativa.
Aprendizaje por Refuerzo Basado en Modelos con Recompensas No Markovianas
Descubre QR-MAX, algoritmo que logra convergencia PAC y eficiencia en problemas de recompensa no markoviana.
Incertidumbre en visibilidad de IA: marco para búsqueda generativa
Las métricas de visibilidad en búsqueda generativa son engañosas. Aprende a cuantificar la incertidumbre con bootstrap y mejora tu estrategia de IA.