OdysSim: Modelos Fundacionales para Simulación de Comportamiento Humano
Descubre OdysSim, el modelo OSim que supera a modelos frontera en simulación humana. Logra 93.2% alineación con humanos reales. Código abierto.
#osim
EM-NeSy: Esperanza-Maximización para Aprendizaje Neurosimbólico
Descubre EM-NeSy, un método que combina redes neuronales y razonamiento simbólico usando el algoritmo EM, mejorando escalabilidad y eficiencia en IA.
Estimación Directa del Puntaje de Fisher para Máxima Verosimilitud
Descubre cómo la estimación directa del Fisher score optimiza la verosimilitud usando simulaciones locales. Método rápido, flexible y eficiente para modelos intratables.
Arquitectura y datos: claves de las alucinaciones en LLMs
Descubre cómo la arquitectura (self-attention, MLE, decodificación) y los datos generan alucinaciones en LLMs. Analizamos causas estructurales y cómo mitigarlas.
Acelerando NeurASP con vectorización y caché
Optimiza NeurASP con vectorización y caché. Acelera el entrenamiento en IA neurosimbolica, logrando múltiples órdenes de magnitud de velocidad.
Predicción cuántica de máxima verosimilitud con embeddings de Hilbert
Descubre la predicción cuántica de máxima verosimilitud usando embeddings de Hilbert. Un avance para LLM cuánticos.
Inferencia semiparamétrica para procesos puntuales doblemente estocásticos
Método de inferencia semiparamétrica para procesos puntuales espaciales. Eficiente, sin supuestos restrictivos, mejor predicción en criminalidad.
GenPO++: Políticas generativas con razones de verosimilitud sin Jacobiano
Descubre GenPO++: un marco de optimización de políticas generativas con razones de verosimilitud exactas y sin Jacobiano para RL on-policy, mejorando estabilidad y eficiencia.
Modelado generativo de estructuras latentes discretas con policy gradients
GReinSS: aprende distribuciones de estados latentes que maximizan la verosimilitud de datos. Supera a VAE y RSEM en reconstrucción de isoformas de ARN.
Transporte óptimo entrópico inverso para aprendizaje semi-supervisado
Aprende cómo EBiEOT revoluciona el aprendizaje semi-supervisado combinando datos pareados y no pareados mediante maximización de verosimilitud.
Destilación de reglas ASP desde LLMs para VQA neurosimbolico
Aprende a destilar reglas de programación lógica desde LLMs para VQA interpretable, con solo pocos ejemplos. Alternativa eficiente al aprendizaje de reglas tradicional.
Estimación bidireccional de efectos causales con kernel online
Nuevo método de kernel online para estimar efectos causales bidireccionales con alta precisión y escalabilidad. Ideal para datos masivos en ciencia, negocios y políticas.
Benchmark de inferencia sin verosimilitud: redes neuronales y transporte óptimo
¿Cuál es el mejor método de inferencia sin verosimilitud? Comparamos redes neuronales y transporte óptimo en datos extremos y discretos.
Aprendizaje off-policy: optimización > estimación en grandes acciones
Descubre por qué la optimización es clave en el aprendizaje off-policy con grandes espacios de acción, y cómo los pesos de verosimilitud simplifican el proceso.
Pruebas privadas casi óptimas para hipótesis simples y MLR
Descubre pruebas privadas casi óptimas para hipótesis simples y MLR con privacidad diferencial gaussiana. Resultados comparables a pruebas no privadas.
Verosimilitud empírica con IA generativa
Descubre cómo la verosimilitud empírica con IA generativa permite inferencias robustas usando datos sintéticos. Método bayesiano eficiente.
FlowSDR: Reducción Suficiente de Dimensión vía Flujos Normalizantes Condicionales
FlowSDR: un método basado en flujos normalizantes para reducción de dimensión suficiente que aprende proyección y densidad. Supera a técnicas clásicas en precisión.
Inferencia de heterogeneidad en partículas con Langevin de segundo orden
Aprende cómo un enfoque de máxima verosimilitud permite inferir heterogeneidad poblacional y modelos dinámicos desde trayectorias estocásticas de partículas.
d2: Mejora del razonamiento en modelos de difusión con estimación de trayectoria
Descubre d2, un marco de razonamiento para modelos de difusión que mejora el rendimiento en tareas lógicas y matemáticas, superando a RL tradicional.
Arrepentimiento minimax-óptimo en juegos de Markov parcialmente observables
Algoritmo optimista logra arrepentimiento minimax-óptimo en POMG. Complejidad O(√T) con dependencia de la dimensión de Eluder.