Reglas de puntuación adecuadas para supervivencia censurada por la derecha
Aprende a usar reglas de puntuación adecuadas para supervivencia censurada. Nuevos scores como CRPS y engresión mejoran la evaluación.
#pérdida
Formalización arbórea de la complementariedad en interacciones humano-IA
Descubre cómo la formalización arbórea de la complementariedad humano-IA revela que la sinergia es posible en regresión, pero no en clasificación. Claves para el diseño de IA.
Representaciones Bayes-Suficientes en Aprendizaje Supervisado
Descubre cómo las representaciones Bayes-suficientes preservan la información relevante para la predicción óptima. Incluye experimentos con iNaturalist.
Parcheo adaptativo: más difícil de lo que parece en series temporales
Descubre por qué el parcheo adaptativo en series temporales no siempre supera al uniforme bien ajustado. Un estudio revela condiciones y umbrales clave.
El bucle auditivo diferenciable: marco ML para audífonos hiperpersonalizados
El marco DAL optimiza audífonos con IA para compensar pérdida auditiva en entornos complejos, superando métodos tradicionales. Descubre cómo.
AttnRegDeepLab: Clasificación interpretable de fragmentación embrionaria
Descubre AttnRegDeepLab, un marco de IA que combina segmentación y clasificación para evaluar fragmentación embrionaria con precisión clínica y explicabilidad.
Aplanamiento y generalización en redes neuronales homogéneas
Descubre cómo los interpoladores más planos siempre generalizan en redes neuronales homogéneas, según un nuevo estudio sobre modelos multi-índice.
LC-PINN: Redes neuronales con pérdida condicional para familias paramétricas de EDP
Descubre cómo LC-PINN entrena un único modelo que resuelve toda una familia de ecuaciones diferenciales paramétricas, sin datos generados por solver.
Más allá de simetrías: conectividad lineal vía identificabilidad neuronal
Descubre cómo la identificabilidad de neuronas permite fusionar representaciones sin alineación previa, revelando nuevas conexiones en el deep learning.
Caracterización geométrica de la meseta estacionaria en redes de dos capas
Descubre cómo la geometría de mesetas estacionarias en redes de dos capas revela si el desdoblamiento de neuronas produce mínimos locales o puntos de silla.
Reconstrucción de pérdidas por IA: del control al seguro con CER
El marco CER (control, evidencia, respuesta) permite reconstruir pérdidas mediadas por IA para reclamaciones de seguro. Ideal para riesgos de IA agentiva y generativa.
P²-DPO: Calibración de preferencias contra alucinaciones en visión-lenguaje
Descubre cómo P²-DPO reduce alucinaciones en modelos de visión-lenguaje mediante calibración de preferencias, superando métodos con retroalimentación humana.
Corrección cuántica autónoma de errores vía aprendizaje por refuerzo profundo
El aprendizaje por refuerzo profundo con currículo descubre códigos bosónicos óptimos para corrección cuántica autónoma, superando pérdidas de fotones.
Visión artificial en retail: casos, beneficios y guía 2026
Descubre cómo la visión artificial transforma el retail: pago automático, inventario preciso y prevención de pérdidas. Guía 2026.
Representaciones Coherentes: Enfoque Topológico para Interpretabilidad
Nueva técnica: coherencia geométrica para interpretar redes neuronales. Aplicaciones en BERT y autoencoders.
Repensando el ancho neuronal para proxies de flujo de potencia óptimo AC
Descubre cómo el algoritmo LG-ND optimiza el ancho neuronal para proxies ACOPF, reduciendo neuronas hasta 10 veces y garantizando verificación formal en sistemas críticos.
Redefiniendo el ancho neuronal para proxies de ACOPF
Un algoritmo incremental (LG-ND) determina el ancho neuronal mínimo para proxies de ACOPF, logrando rendimiento equivalente con hasta 10x menos neuronas. Ideal para seguridad en redes eléctricas.
Compresión de datos alineada con la física: una perspectiva geométrica
Descubre cómo la geometría local explica el conflicto entre propiedades físicas y fidelidad en compresión con IA. Nuevo diagnóstico de alineación.
Adaptando reglas de puntuación estrictamente adecuadas para inferencia causal
Personaliza reglas de puntuación para inferencia causal. Nuestra pérdida a medida reduce sesgo y varianza en estimación del ATE.
Reglas de puntuación a medida para inferencia causal
Reduce sesgo y varianza en inferencia causal con reglas de puntuación personalizadas para el ATE. Aplicable a redes neuronales y gradient boosting.