Transición de fase del estimador de Tyler para subespacios robustos
Descubre cómo el M-Estimador de Tyler alcanza una transición de fase nítida en la recuperación robusta de subespacios, incluso en el límite crítico DS-SNR=1.
#outliers
OffQ: Domando outliers en cuantificación de LLMs
Descubre cómo OffQ mitiga los outliers en activaciones para lograr una cuantización W4A4KV4 eficiente sin perder precisión en LLMs.
QuBLAST: Cuantización con Compresión por Bloques y Escalado de Activaciones
Descubre QuBLAST, un framework que reduce el tamaño de LLMs hasta un 45% mediante cuantización por bloques y escalado de activaciones, sin perder rendimiento.
OASIS: Aceleración de inferencia LLM con cuantificación dual basada en LUT
Descubre OASIS, la arquitectura LUT que acelera la inferencia de LLM un 3x con cuantificación dual, reduciendo la pérdida de precisión a solo 1.98%.
ERICA: Cuantificando la Replicabilidad del Análisis de Clúster
Descubre cómo evaluar la replicabilidad de tus análisis de clúster con ERICA. Un método innovador para garantizar resultados fiables en ciencia de datos.
Covarianza Robusta por Celdas y Casos en Altas Dimensiones
Descubre cellRCov, un estimador robusto de covarianza que maneja outliers celda a celda, por casos y datos faltantes en altas dimensiones. Ideal para detección de anomalías.
Profundidad Polar para Datos Potencialmente de Cola Pesada
Descubre la profundidad polar, una nueva métrica para ordenar extremos en datos de cola pesada y detectar anomalías multivariantes. Aplicaciones en ciberseguridad y análisis de riesgos.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
Descubre cómo naPINN, una red neuronal adaptativa al ruido, recupera soluciones físicas a partir de mediciones corruptas, superando a métodos tradicionales. Ideal para datos con outliers.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
naPINN recupera leyes físicas de mediciones con ruido y outliers sin conocer la distribución del ruido. Ideal para datos corruptos.
Detector de anomalías discriminativo y generalizable para grafos dinámicos
Descubre un nuevo framework que aprende a detectar anomalías en grafos dinámicos con pocos datos etiquetados, logrando alta precisión y generalización.
Formalizando y falsificando caminos causales de eventos raros
Descubre cómo formalizar y probar caminos causales de eventos raros usando modelos matemáticos, mejorando el análisis de causa raíz en sistemas complejos.