Identificar-Explotar Guiado por Árboles: Bandidos Duelistas
Descubre TG-ITE, el primer marco unificado para bandidos duelistas que logra O(N) en BAI y arrepentimiento. Optimiza identificación y explotación.
#muestreo
Low-Pass Flow Matching: generación eficiente con sesgo espectral
Descubre Low-Pass Flow Matching, un método que optimiza la generación de imágenes reduciendo el costo computacional mediante un sesgo espectral variable.
BlockGen: Modelado flexible de secuencias por bloques con muestreadores híbridos
Descubre BlockGen: combina difusión uniforme y enmascarada con muestreo híbrido para generar secuencias por bloques de alta calidad. Supera modelos previos.
Muestreo especulativo para dinámica molecular más rápida
Descubre cómo el muestreo especulativo, inspirado en modelos de lenguaje, acelera la dinámica molecular hasta 9x sin errores.
Gradientes en embeddings semánticos revelan la incertidumbre de los LLM
Descubre cómo los gradientes semánticos revelan la incertidumbre de los LLM. SemGrad y HybridGrad: métodos sin muestreo para predicciones fiables.
Muestreo de Thompson sensible a la varianza en bandidos lineales generalizados
Nueva demostración de cotas de arrepentimiento sensibles a la varianza para el muestreo de Thompson en bandidos lineales generalizados. Análisis teórico que supera limitaciones previas.
Moment-Video: Fidelidad temporal de MLLM en eventos visuales momentáneos
Moment-Video evalúa la capacidad de MLLM para captar eventos visuales que duran solo unos fotogramas. Resultados sorprendentes.
Blindaje Robusto para Aprendizaje por Refuerzo Seguro
Descubre el blindaje robusto para RL seguro. Garantiza seguridad en MDPs con transiciones inciertas mediante lógica temporal. Ideal para alta incertidumbre.
Modelado generativo con flujos para optimizar muestreo en compresión
Optimiza el submuestreo en compresión de sensores con modelos generativos de flujo. Logra reconstrucciones de imágenes de alta calidad con solo el 5% de datos. Ideal para MRI.
Detección de intrusiones IoT con SMOTE y evaluación multi-modelo
Mejora la detección de intrusiones IoT con SMOTE y evaluación multi-modelo. Alcanza F1 de 0.9989 usando Random Forest en datos de potencia.
Mapas de Flujo Estocásticos Fuertes
Descubre cómo los Strong Stochastic Flow Maps revolucionan el muestreo en modelos de difusión, permitiendo generar imágenes y simular sistemas moleculares en pocos pasos.
Ajuste fino de difusión molecular con RL y muestreo rápido
FTDiff usa RL para ajustar modelos de difusión y generar moléculas válidas para diseño de fármacos basado en estructura.
RLVR sin muestras ineficaces: POPO para razonamiento LLM
POPO elimina muestras ineficaces acelerando el fine-tuning de LLM para razonamiento matemático, planificación y geometría visual con menos rollouts.
MINTS: Muestreo Thompson Minimalista
Descubre MINTS, algoritmo de Muestreo Thompson minimalista que logra arrepentimiento casi óptimo en bandidos con restricciones. Ideal para IA y decisiones.
Sesgo implícito generativo para acelerar dinámica de proteínas
Descubre cómo un nuevo sesgo implícito en espacios generativos acelera hasta 37x la emulación de dinámica de proteínas, aumentando diversidad y cubriendo más estados de baja energía.
Privacidad Mejorada en Aprendizaje Federado con División y Participación Aleatoria
Descubre cómo MS-PAFL mejora la privacidad en aprendizaje federado sin sacrificar precisión, usando división de modelos y ruido calibrado. Logra modelos precisos con fuertes garantías.
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.
Annealing escalable en inferencia con estimadores sustitutos
SITA: annealing escalable que evita divergencias para muestreo molecular eficiente. Lider en alanina dipeptido y tripeptido.
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.