Decisiones aversas al riesgo con garantía condicional a la acción
Descubre el nuevo método de predicción conforme que ofrece garantías condicionales a la acción para decisiones aversas al riesgo. Mejora la seguridad en IA.
#muestra
Convergencia Rápida y Robusta de TD(0) con Aproximación Lineal
Descubre cómo TD(0) con aproximación lineal logra una convergencia rápida y robusta, con tasa óptima de 1/k y sin depender del menor autovalor. Ideal para aprendizaje por refuerzo.
Aprendizaje de operadores solución de EDP con aproximación dispersa
Descubre cómo los métodos de aproximación dispersa reducen muestras para operadores de EDP, mejorando eficiencia e interpretabilidad
Aprendizaje resistente a ruido de etiquetas con OBD
Descubre cómo el enmascaramiento OBD intercepta gradientes ruidosos y mejora la robustez ante etiquetas erróneas. Resultados superiores en benchmarks.
Leyes de escalamiento y espectros en redes neuronales superficiales
Descubre cómo las leyes de escalamiento en redes superficiales vinculan espectros de pesos y generalización, validando observaciones empíricas.
Inferencia potenciada por datos sintéticos
Descubre cómo el framework GESPI combina datos sintéticos y reales para mejorar la inferencia estadística sin sacrificar precisión.
Límites de precisión de árboles causales para efectos individualizados
Exploramos los límites de precisión de los árboles causales para efectos de tratamiento individualizados. ¿Por qué pueden converger lentamente y qué significa para la inferencia causal?
CLaaS: Aprendizaje continuo como servicio para aprendizaje online eficiente
Descubre cómo CLaaS optimiza la adaptación de agentes de IA mediante aprendizaje continuo y replay de experiencia, mejorando la eficiencia de muestras en entornos dinámicos.
Optimización Adaptativa de Rollouts para Post-Entrenamiento con RL
Descubre CERO, método adaptativo que optimiza rollouts en post-entrenamiento de LLMs. Supera a GRPO en razonamiento matemático. ¡Eficiencia mejorada!
Pocos datos, grandes mapas: Entrenar modelos geoespaciales con muestras escasas
Descubre cómo entrenar modelos de machine learning geoespacial con pocas muestras etiquetadas. Técnicas prácticas para superar la escasez de datos.
Tamaño del conjunto de calibración para LLM como juez: ¿50 o 200?
¿50 o 200 trazas? Aprende a determinar el tamaño de muestra para validar un LLM como juez según el balance de clases. La clave está en el kappa de Cohen.
Explicaciones contrafactuales para pruebas de dos muestras profundas
Las explicaciones contrafactuales revelan qué características diferencian dos grupos en pruebas de hipótesis con deep learning. Un método basado en MMD y autoen
Embeddings Simpliciales mejoran eficiencia en agentes Actor-Critic
Descubre cómo los embeddings simpliciales mejoran la eficiencia muestral en Actor-Critic, acelerando el entrenamiento sin pérdida. Resultados: TD3, SAC, PPO.
Evolución Deliberada: Regresión Simbólica Eficiente con LLMs
Descubre cómo Deliberate Evolution usa razonamiento agentico y memoria reflexiva para regresión simbólica eficiente con solo 40% de muestras. ¡Más con menos!
Reutilizar trayectorias en gradientes de política permite convergencia rápida
El nuevo algoritmo RT-PG reutiliza trayectorias off-policy para acelerar la convergencia en métodos de gradientes de política, mejorando la eficiencia muestral.
Transporte Óptimo con Restricciones de Equidad de Grupo
Descubre cómo el transporte óptimo puede ser justo para grupos. Nuevo algoritmo Sinkhorn, relajaciones y equilibrio entre equidad y coste.
Gradiente de Política para MDP Robustos en Tiempo Continuo
Descubre cómo los algoritmos de gradiente de política en tiempo continuo mejoran la robustez en MDPs, con convergencia lineal y menor complejidad muestral.
El precio del aprendizaje transductivo multigrupo
El aprendizaje transductivo multigrupo incurre en una penalización lineal en la tasa de error que crece con el número de grupos. Conoce los detalles de este hallazgo.
Sobre la incrustación fuera de muestra en UMAP
Descubre por qué UMAP coloca nuevos puntos en la periferia y cómo solucionarlo con un enfoque paramétrico. Mejora la precisión de tus embeddings.
Entrenamiento conjunto de capas en redes ReLU para modelos lineales
Aprende cómo el descenso de gradiente logra convergencia lineal en redes ReLU, evitando puntos silla y alcanzando el mínimo global.