Recuperación exacta de comunidades en SBM con consultas limitadas
Descubre cómo las consultas adaptativas superan el límite de consultas uniformes para recuperar comunidades exactamente.
#muestreo
Límites de error para un estimador de deriva basado en modelos de difusión
Analizamos las cotas de error teóricas de un estimador de deriva basado en modelos de difusión, descomponiendo el riesgo en discretización, aproximación de score, inicialización y varianza.
ShaplEIG: Diseño Experimental Bayesiano para Estimar el Valor Shapley
Mejora la precisión al estimar valores Shapley con pocas evaluaciones. ShaplEIG usa diseño bayesiano para selección adaptativa de coaliciones. Ideal para costos.
Actualizaciones robustas del prior para evitar alucinaciones en difusión
Descubre cómo el método RPU reduce las alucinaciones en solucionadores de problemas inversos basados en difusión, mejorando la fidelidad de las reconstrucciones. Estudio en FFHQ e ImageNet.
Rendir más con menos: Muestreo para pérdida por pares
Descubre cómo el muestreo directo de pares reduce costos computacionales en pérdida por pares, manteniendo precisión. Técnicas basadas en teoría de encuestas para IA escalable.
Modelado Generativo Precondicionado Un Paso para Problemas Inversos Bayesianos
Genera muestras posteriores 64x64 en milisegundos con modelado generativo de un paso para problemas inversos bayesianos en espacios funcionales. Evita MCMC.
Calibración de modelos de árbol para clasificación desbalanceada
La calibración analítica en Random Forest con submuestreo genera sesgos. Descubre por qué y aprende la beta calibración como solución.
Datos de trayectorias bastan para evaluar políticas en RL offline
Nuevo estudio muestra que los datos de trayectorias bastan para evaluar políticas en RL offline con eficiencia estadística. ¡Descúbrelo!
Aprendiendo a muestrear de modelos de difusión mediante aprendizaje por refuerzo inverso
Aprende cómo el aprendizaje por refuerzo inverso optimiza el muestreo en modelos de difusión, reduciendo costos hasta 9x sin reentrenar. Descubre la técnica.
WildCat: Atención casi lineal en teoría y práctica
Descubre WildCat, un nuevo método de atención que logra error mínimo en tiempo casi lineal. Ideal para modelos de IA con secuencias largas. ¡Lee más!
InFerActive: Exploración interactiva en árbol para seguridad de LLM
InFerActive: árbol interactivo para evaluar seguridad de LLMs. Reduce hasta 5x las muestras necesarias y mejora la cobertura de respuestas dañinas.
Aprendizaje Off-Policy con Zero-Shot
Aprende cómo el método Zero-Shot Off-Policy Learning permite adaptar políticas a nuevas tareas sin reentrenamiento, usando medidas sucesoras y corrección de distribución para una rápida adaptación.
Guía de Recompensa con Muestras Anticipadas para Escalado de Modelos de Difusión
Aprende cómo LiDAR acelera 9.5x la guía de recompensa en modelos de difusión, mejorando la alineación con intenciones humanas.
Parada Bayesiana Óptima para Respuestas Consistentes de LLMs
Descubre cómo la parada bayesiana óptima permite obtener respuestas consistentes de LLM usando menos muestras, ahorrando hasta un 50% en costos de inferencia.
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!
Certificación no vacía de Transport MCMC con flujos normalizadores
Certificación no vacía de MCMC de transporte: nuevos límites de brecha espectral con flujos normalizadores. Ideal para muestreo bayesiano.
Revisitando Procesos Neuronales con Fourier y Volterra
Descubre cómo la Transformada de Fourier y las Series de Volterra mejoran los Procesos Neuronales, logrando campos receptivos globales y escalabilidad lineal en datos irregulares.
GLIDE: Inferencia de Salto Guiada por Grafos para Difusión en Procesos Puntuales
GLIDE mejora la predicción de eventos espacio-temporales usando difusión condicional guiada por grafos, reduciendo costos de muestreo inverso. Descubre cómo.
Garantías para promedio bayesiano sobre árboles con prior Catalan-Exponencial
¿Cuándo confiar en el promedio bayesiano sobre árboles? Descubre las garantías teóricas y umbrales racionales con prior Catalan-Exponencial.
Estabilidad en momento matricial ortogonalizado con muestreo de clientes
Estudio de estabilidad en generalización para optimización distribuida con momentos ortogonalizados y muestreo de clientes. Se derivan cotas finitas bajo heterogeneidad de datos.